EduDataShield – инновационная облачная система защиты персональных данных для образовательных учреждений.

Целью проекта является снижение растущего числа утечек конфиденциальной информации. Система в реальном времени анализирует поведение пользователей, выявляет аномалии доступа с помощью машинного обучения и автоматически реагирует на угрозы.

Ожидаемым результатом проекта является создание безопасной цифровой среды для школ, колледжей и вузов, предотвращение финансовых и репутационных потерь. К потенциальным потребителям относятся государственные и частные образовательные учреждения, а также разработчики EdTech-платформ.

Ценностное предложение - наше решение выстраивает проактивную защиту, а не просто реагирует на уже произошедшие инциденты. В отличие от конкурентов, которые ориентируются на известные сигнатуры угроз, мы используем искусственный интеллект для анализа поведенческих паттернов пользователей в реальном времени. Система распознаёт аномалии, например, подозрительную активность учётной записи или попытку массового доступа к данным, задолго до того, как информация будет скомпрометирована. Это позволяет блокировать угрозы на ранней стадии, ещё до попытки экспорта данных, переводя кибербезопасность из реактивного режима в режим предотвращения

Основным источником дохода является подписочная модель SaaS, предполагающая ежегодную плату за подключение каждого ученика.

Проект соответствует тематическому направлению акселерационной программы «Создание цифровых решений для повышения безопасности получения, хранения, передачи и обработки информации». Она обеспечивает сквозное шифрование данных по стандарту AES-256, детальное логирование всех действий и автоматическое формирование отчетов по стандартным формам для регуляторов. Система изначально соответствует требованиям законодательства в сфере защиты персональных данных (ФЗ-152). Таким образом, мы не просто предлагаем инструмент, а встраиваем соответствие законодательству в саму логику продукта, избавляя клиента от дорогостоящих доработок и аудитов.

Текущий уровень готовности технологии TRL – 4. Определены и верифицированы архитектурные компоненты системы, бэкенд на Python/FastAPI, фронтенд на React, базы данных (PostgreSQL, Redis), аналитическое ядро на основе ML-библиотек Python и схема облачной инфраструктуры. Разработаны и протестированы на синтетических данных прототипы ключевых алгоритмов машинного обучения для анализа поведенческих паттернов и выявления аномалий, проведена их первоначальная валидация.

На страницу проекта