Определение параметров скрытых угроз раннего обнаружения в информационных системах для задач машинного обучения
(Стр. 83-91)
Подробнее об авторах
Золотухина Мария Александровна
аспирант, Москва, Российская Федерация@mail.ru
Российский технологический университет – МИРЭА
г. Москва, Российская Федерация Зыков Сергей Викторович доктор технических наук, доцент; профессор, главный научный сотрудник департамента бизнес-информатики Высшей школы бизнеса, Российский технологический университет – МИРЭА; Москва, Российская Федерация@hse.ru
Высшая школа экономики
г. Москва, Российская Федерация
Российский технологический университет – МИРЭА
г. Москва, Российская Федерация Зыков Сергей Викторович доктор технических наук, доцент; профессор, главный научный сотрудник департамента бизнес-информатики Высшей школы бизнеса, Российский технологический университет – МИРЭА; Москва, Российская Федерация@hse.ru
Высшая школа экономики
г. Москва, Российская Федерация
Аннотация:
Целью анализа является определение новых признаков, при которых есть вероятность присутствия составляющих скрытых угроз в системе или прогноз возможных состояний неработоспособности модулей систем. Описана разноплановость используемых ПО и возникающие вместе с тем проблемы. Исследование проводится в условиях создания имитационной модели в Anylogic, используемой для определения критериев неисправностей. Обнаруженные зависимости подтверждены выходными данными в виде графиков. Определенные зависимости и признаки являются вкладом для будущих исследований и публикаций, также данные применимы для разрабатываемой базы знаний. Созданная модель обработки запросов показала зависимость характеристик входных параметров от времени и зашумленности потока данных. Также проведенный анализ подтверждает наличие неисправности в потоке обработки данных. Существующие решения обнаружения атак основываются на внедрении программно-технических средств и на мерах общего характера защиты. Чтобы установить скрытую угрозу такие схемы может быть и будут эффективно работать, но в условиях длительного действия скрытых угроз нужна оценка обстановки на разных уровнях, анализ признаков всех этапов состояния неисправностей, использование прогностической модели и недостаточно использовать разрозненные средства защиты в виде ПО, антивирусов и т.д. Исследование в области поиска зависимостей и параметров для прогнозирования кибератак на информационные системы актуально в связи с увеличением сложности и частоты кибератак. Это позволяет оперативно предупреждать о возможных угрозах, принимать меры по защите информационных систем, минимизировать экономические потери и развивать аналитические возможности в области кибербезопасности. Данное направление сохраняет свою устойчивость и уникальность в области исследования процессов, а именно способность обучаться и осуществлять углубленный анализ параметрических данных. реализации поиска аномалий в рамках системы обнаружения вторжений.
Образец цитирования:
Золотухина М.А., Зыков С.В. Определение параметров скрытых угроз раннего обнаружения в информационных системах для задач машинного обучения // Computational Nanotechnology. 2023. Т. 10. № 3. C. 83-91. DOI: 10.33693/2313-223X-2023-10-3-83-91. EDN: RRZMLN
Список литературы:
Зыков С.В. Семантическая интеграция данных для безопасности и целостности корпоративных систем // Безопасность информационных технологий. 2009. № 3. C. 16–19.
Исобоев Ш.И., Везарко Д.А., Чечельницкий А.C. Интеллектуальная система мониторинга безопасности сети беспроводной связи на основе машинного обучения // Экономика и качество систем связи. 2022. № 1. C. 44–48.
Шананин В.А., Применение систем искусственного интеллекта в защите информации // Инновации и инвестиции. 2022. № 11. C. 201–205.
Аветисян А.И. Кибербезопасность в контексте искусственного интеллекта // Вестник РАН. 2022. № 92. C. 1119–1123.
Hasti T., Tibshirani R., Fridman J. Elements of statistical training. Data mining, logical inference and forecasting. 2th ed. Springer, 2009. 745 p.
Luizi J.V. Pragmatic enterprise architecture: strategies for transforming information systems in the era of big data. Morgan Kaufmann, 2014. 372 p. ISBN: 9780128005026.
Bachotti A. Stability and control of linear systems. Cham: Springer, 2019. 200 p. ISBN: 978-3-030-02405-5.
Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.
Hasti T., Tibshirani R. Fundamentals of statistical training: Data mining, logical inference and forecasting. 2th ed. Springer, 2020. 770 p.
Chzhan L., Zigler B.P., Lajli Ju. Development of models for modeling. Elsevier, 2019. 453 p.
Hinkel G. NMF: Multiplatform modeling framework: International Conference on the Theory and Practice of Model Transformations. Cham: Springer, 2018. Pp. 184–194.
Dej R., Rjej G., Balas V.E. Stability and stabilization of linear and fuzzy systems with time delay. An approach with linear matrix inequalities. New-York: Springer, 2018. 274 p.
Бринк Х., Ричардс Дж., Феверолф М. Машинное обучение в реальном мире. СПб.: Питер, 2017. 336 с. ISBN: 978-5-496-02989-6.
Burnashev R.A. et al. Research on the development of expert systems using artificial intelligence: International Conference on Architecture and Technologies of Information Systems. Cham: Springer, 2019. Pp. 233–242.
Vitten I.H., Frjenk J., Holl M.A., Pjel K.J. Data mining. Practical tools and methods of machine learning. 4th ed. Elsevier, 2017. 621 p. ISBN: 0120884070.
Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.
Бутакова М.А., Чернов А.В., Говда А.Н. и др. Метод представления знаний для проектирования интеллектуальной системы ситуационного информирования: матер. Третьей Междунар. науч. конф. «Интеллектуальные информационные технологии для промышленности» (IITI’18) / А. Абрахам, C. Ковалев, В. Тарасов, В. Снасель, А. Суханов // Достижения в области интеллектуальных систем и вычислений. 2018. No. 875. C. 225–235. DOI: 10.1007/978-3-030-01821-4_24.
Исобоев Ш.И., Везарко Д.А., Чечельницкий А.C. Интеллектуальная система мониторинга безопасности сети беспроводной связи на основе машинного обучения // Экономика и качество систем связи. 2022. № 1. C. 44–48.
Шананин В.А., Применение систем искусственного интеллекта в защите информации // Инновации и инвестиции. 2022. № 11. C. 201–205.
Аветисян А.И. Кибербезопасность в контексте искусственного интеллекта // Вестник РАН. 2022. № 92. C. 1119–1123.
Hasti T., Tibshirani R., Fridman J. Elements of statistical training. Data mining, logical inference and forecasting. 2th ed. Springer, 2009. 745 p.
Luizi J.V. Pragmatic enterprise architecture: strategies for transforming information systems in the era of big data. Morgan Kaufmann, 2014. 372 p. ISBN: 9780128005026.
Bachotti A. Stability and control of linear systems. Cham: Springer, 2019. 200 p. ISBN: 978-3-030-02405-5.
Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.
Hasti T., Tibshirani R. Fundamentals of statistical training: Data mining, logical inference and forecasting. 2th ed. Springer, 2020. 770 p.
Chzhan L., Zigler B.P., Lajli Ju. Development of models for modeling. Elsevier, 2019. 453 p.
Hinkel G. NMF: Multiplatform modeling framework: International Conference on the Theory and Practice of Model Transformations. Cham: Springer, 2018. Pp. 184–194.
Dej R., Rjej G., Balas V.E. Stability and stabilization of linear and fuzzy systems with time delay. An approach with linear matrix inequalities. New-York: Springer, 2018. 274 p.
Бринк Х., Ричардс Дж., Феверолф М. Машинное обучение в реальном мире. СПб.: Питер, 2017. 336 с. ISBN: 978-5-496-02989-6.
Burnashev R.A. et al. Research on the development of expert systems using artificial intelligence: International Conference on Architecture and Technologies of Information Systems. Cham: Springer, 2019. Pp. 233–242.
Vitten I.H., Frjenk J., Holl M.A., Pjel K.J. Data mining. Practical tools and methods of machine learning. 4th ed. Elsevier, 2017. 621 p. ISBN: 0120884070.
Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.
Бутакова М.А., Чернов А.В., Говда А.Н. и др. Метод представления знаний для проектирования интеллектуальной системы ситуационного информирования: матер. Третьей Междунар. науч. конф. «Интеллектуальные информационные технологии для промышленности» (IITI’18) / А. Абрахам, C. Ковалев, В. Тарасов, В. Снасель, А. Суханов // Достижения в области интеллектуальных систем и вычислений. 2018. No. 875. C. 225–235. DOI: 10.1007/978-3-030-01821-4_24.
Ключевые слова:
машинное обучение, корпоративные информационные системы (КИС), имитационное моделирование, анализ данных, обработка данных, параметрические данные, прогностическая модель.
Статьи по теме
Искусственный интеллект и машинное обучение Страницы: 11-21 DOI: 10.33693/2313-223X-2024-11-2-11-21 Выпуск №119881
Разработка торговой стратегии криптовалюты с применением методов машинного обучения
криптовалюта
биткоин
торговые стратегии
машинное обучение
скользящие средние
Подробнее
05.13.18 МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ, ЧИСЛЕННЫЕ МЕТОДЫ И КОМПЛЕКСЫ ПРОГРАММ Страницы: 71-76 DOI: 10.3369 3/2313- 223X - 2019 - 6- 2- 71- 76 Выпуск №15585
ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ЗАДАЧИ НЕЧЕТКОГО ЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ С α-УРОВНЕВЫМ МЕТОДОМ Λ-ПРОДОЛЖЕНИЯ
нечеткое линейное программирование
оптимизационные задачи
параметрическое линейное программирование с нечеткими данными
принцип расширения
имитационное моделирование
Подробнее
МАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ В ЭКОНОМИКЕ Страницы: 209-215 Выпуск №24576
Потенциал машинного обучения и искусственного интеллекта для развития венчурного инвестирования в России
венчурное инвестирование
венчурный капитал
стартап-проекты
машинное обучение
искусственный интеллект
Подробнее
5.2.2. МАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ В ЭКОНОМИКЕ Страницы: 150-155 Выпуск №20468
О некоторых специфических ограничениях применения Data Mining
Большие данные
информационные технологии
анализ данных
классификация
кластеризация
Подробнее
МАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ В ЭКОНОМИКЕ Страницы: 185-192 DOI: 10.33693/2541-8025-2024-20-2-185-192 Выпуск №102671
Разработка интеллектуальной системы анализа достижений обучающегося вуза
интеллектуальный анализ
таксономия
машинное обучение
успеваемость студента
цифровой университет.
Подробнее
4. МАТЕМАТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ ЭКОНОМИКИ 08.00.13 Страницы: 176-186 Выпуск №18758
Исследование динамики показателей отчетности как индикаторов ухудшения финансового состояния кредитных организаций
прогнозирование
финансовое состояние
машинное обучение
кредитные организации
банковские рейтинги
Подробнее
МАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ В ЭКОНОМИКЕ Страницы: 167-178 Выпуск №24067
Моделирование товарооборота кофеен на основе пространственных данных
пространственные данные
экономические показатели
машинное обучение
Python.
spatial data
Подробнее
МАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ В ЭКОНОМИКЕ Страницы: 129-140 DOI: 10.33693/2541-8025-2024-20-1-129-140 Выпуск №72283
Разработка модели бинарной классификации на малых данных с использованием методов машинного обучения
машинное обучение
малые данные
задачи классификации
медицинские данные
сэмплирование
Подробнее
4. МАТЕМАТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ ЭКОНОМИКИ 08.00.13 Страницы: 132-138 Выпуск №17852
Стратегия поиска эффективного алгоритма машинного обучения на примере кредитного скоринга
кредитный скоринг
машинное обучение
отбор признаков
ансамбль моделей
credit scoring
Подробнее
5. МАТЕМАТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ ЭКОНОМИКИ (СПЕЦИАЛЬНОСТЬ 08.00.13) Страницы: 116-119 Выпуск №14823
ПРИМЕНЕНИЕ МАТЕМАТИЧЕСКОГО АППАРАТА ТЕОРИИ СЕТЕЙ ПЕТРИ К РЕШЕНИЮ ЗАДАЧ МОДЕЛИРОВАНИЯ «ДОРОЖНЫХ КАРТ» РАЗВИТИЯ ЭКОНОМИЧЕСКИХ СИСТЕМ
имитационное моделирование
«дорожная карта»
теория сетей Петри
дерево достижимости
экономическая система
Подробнее