Анализ эффективности нейросетевых архитектур для защиты промышленных систем от целевых атак социальной инженерии
(Стр. 95-109)
Подробнее об авторах
Краснослободцева Дарья Борисовна
аспирант; стажер-исследователь, научно-учебная лаборатория индустриального программирования, Институт перспективных технологий и индустриального программирования; преподаватель, Центр технологий 1С, Институт технологий управления
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Юдин Александр Викторович доктор экономических наук, кандидат физико-математических наук, доцент; заведующий, кафедра индустриального программирования; главный научный сотрудник, научно-учебная лаборатория индустриального программирования, Институт перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Юдин Александр Викторович доктор экономических наук, кандидат физико-математических наук, доцент; заведующий, кафедра индустриального программирования; главный научный сотрудник, научно-учебная лаборатория индустриального программирования, Институт перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Настоящее исследования представляет комплексный сравнительный анализ эффективности современных нейросетевых архитектур для противодействия целевым атакам социальной инженерии на промышленные системы. В работе приведена характеристика основных методов социальной инженерии, на основе которых выделена группа, оказывающих критическое влияние на отечественные производства. Экспериментальная часть исследования основана на открытом наборе данных, содержащем 651 191 URL-адрес, категоризированный по четырем типам: безопасные ресурсы, ссылки с дефейсом, фишинговые ресурсы, а также распространители вредоносного программного обеспечения. В работе представлена систематическая оценка как классических, так и инновационных подходов машинного обучения, включая сети Колмогорова-Арнольда (KAN), графовые (GNN) и капсульные нейронные сети (CapsNets), а также их гибридные комбинации. Результаты демонстрируют значительное превосходство гибридных архитектур, где комбинация CNN + LSTM достигла максимальной точности 92,29%, а CNN + KAN показала результат 92,00%. Детальный анализ выявил специфическую эффективность различных архитектур для отдельных категорий угроз: CapsNets показали наилучшие результаты в идентификации безопасных ресурсов (98,60%), тогда как CNN + LSTM наиболее эффективно обнаруживали фишинговые атаки (72,76%). Научная новизна работы заключается в установлении корреляции между типом нейросетевой архитектуры и характером возможной киберугрозы, что создает методологическую основу для разработки адаптивных систем безопасности нового поколения для промышленной инфраструктуры.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Краснослободцева Д.Б., Юдин А.В. Анализ эффективности нейросетевых архитектур для защиты промышленных систем от целевых атак социальной инженерии // Computational Nanotechnology. 2025. Т. 12. № 5. С. 95-109. DOI: 10.33693/2313-223X-2025-12-5-95-109. EDN: EQCDFD
Список литературы:
Pleshakova E., Osipov A., Gataullin S. et al. Next gen cybersecurity paradigm towards artificial general intelligence: Russian market challenges and future global technological trends // Journal of Computer Virology and Hacking Techniques. 2024. Vol. 20. Pp. 429–440. DOI: 10.1007/s11416-024-00529-x. EDN: TTGIQX.
Chechkin A., Pleshakova E., Gataullin S. A Hybrid KAN-BiLSTM transformer with multi-domain dynamic attention model for cybersecurity // Technologies. 2025. Vol. 13. No. 6. DOI: 10.3390/technologies13060223. EDN: DEQJXX.
Осипов А.В., Сапожников А.Е., Плешакова Е.С., Гатауллин С.Т. Методы машинного обучения для распознавания эмоционального состояния абонента телекоммуникационных систем // Информационные технологии и вычислительные системы. 2024. № 1. С. 23–35. DOI: 10.14357/20718632240103. EDN: IRVBHY.
Osipov A., Pleshakova E., Liu Ya., Gataullin S. Machine learning methods for speech emotion recognition on telecommunication systems // Journal of Computer Virology and Hacking Techniques. 2023. No. 20 (3). Pp. 415–428. DOI: 10.1007/s11416-023-00500-2. EDN: GIIZVA.
Плешакова Е.С., Гатауллин С.Т., Осипов А.В. и др. Эффективная классификация текстов на естественном языке и определение тональности речи с использованием выбранных методов машинного обучения // Вопросы безопасности. 2022. № 4. С. 1–14. DOI: 10.25136/2409-7543.2022.4.38658. EDN: UPWMCV.
Pleshakova E.S., Filimonov A.V., Osipov A.V., Gataullin S.T. Identification of cyberbullying by neural network methods // Security Issues. 2022. No. 3. Pp. 28–38. DOI: 10.25136/2409-7543.2022.3.38488. EDN: BEINMG.
Филимонов А.В., Осипов А.В., Плешакова Е.С., Гатауллин С.Т. Нейросетевые методы распознавания эмоций речи для противодействия мошенничеству в телекомукационных системах // Вопросы кибербезопасности. 2022. № 6 (52). С. 83–92. DOI: 10.21681/2311-3456-2022-6-83-92. EDN: YELMTC.
Плешакова Е.С., Гатауллин С.Т., Осипов А.В. и др. Применение методов тематического моделирования в задачах распознавания темы текста для обнаружения телефонного мошенничества // Программные системы и вычислительные методы. 2022. № 3. С. 14–27. DOI: 10.7256/2454-0714.2022.3.38770. EDN: RPLSLQ.
Никитин П.В., Осипов А.В., Плешакова Е.С. и др. Распознавание эмоций по аудио сигналам как один из способов борьбы с телефонным мошенничеством // Программные системы и вычислительные методы. 2022. № 3. С. 1–13. DOI: 10.7256/2454-0714.2022.3.38674. EDN: ZBVOCN.
Pleshakova E.S., Gataullin S.T., Osipov A.V., Bylevskii P.G. Legislative prevention of new financial technologies threats // National Security / Nota Bene. 2022. No. 6. Pp. 62–70. DOI: 10.7256/2454-0668.2022.6.39275. EDN: MRAOCI.
Плешакова Е.С., Гатауллин С.Т., Осипов А.В. и др. Распознавание эмоций человека по голосу в борьбе с телефонным мошенничеством // Национальная безопасность / Nota Bene. 2022. № 5. С. 11–29. DOI: 10.7256/2454-0668.2022.5.38782. EDN: SGTJAV.
Гончаров К., Плешакова Е., Шелягин А., Гатауллин С. Борьба с телефонным мошенничеством на основе распознавания голоса с применением машинного обучения // Информационные ресурсы России. 2022. № 4 (188). С. 96–104. DOI: 10.52815/0204-3653_2022_04188_96. EDN: WUQPFD.
Былевский П.Г., Гатауллин С.Т., Плешакова Е.С. Модернизация методологии: стратегия и тактика противодействия «телефонным мошенничествам» // Журнал высоких гуманитарных технологий. 2023. № 1 (1). С. 6–16. EDN: BEZHAD.
Pleshakova E.S., Gataullin S.T., Osipov, A.V. Bylevskii P.G. The factor of complex interaction in responding to telephone fraud // Security Issues. 2023. No. 1. P. 1–9. DOI: 10.25136/2409-7543.2023.1.39274. EDN: LWCDNH.
Конторович В., Кураев А., Бобровский Д. и др. Противостояние угрозам телефонного мошенничества средствами искусственного интеллекта // Информационные ресурсы России. 2023. № 2 (191). С. 72–81. EDN: KWGFGD.
Филимонов А.В., Плешакова Е.С., Осипов А.В. и др. Обнаружение и предотвращение телефонного мошенничества на основе распознавания голоса с применением нейросетевых методов. М.: Русайнс, 2023. 164 с. ISBN: 978-5-466-02819-5. EDN: NFAOPS.
Беспалова Н.В., Осипов А.В., Плешакова Е.С., Гатауллин С.Т. Анализ сетевой безопасности финансового сектора: матер. 17-й Междунар. конф. по управлению развитием крупномасштабных систем (MLSD). М., 2024. С. 1–4. DOI: 10.1109/MLSD61779.2024.10739559.
Пугачева Д.Б., Юдина М.В. Исследование программных решений для определения оптимального решения по заданным параметрам // Computational Nanotechnology. 2024. Т. 11. № 5. С. 78–86. DOI: 10.33693/2313-223X-2024-11-5-78-86. EDN: BUKIIM.
Chechkin A., Pleshakova E., Gataullin S. A Hybrid KAN-BiLSTM transformer with multi-domain dynamic attention model for cybersecurity // Technologies. 2025. Vol. 13. No. 6. DOI: 10.3390/technologies13060223. EDN: DEQJXX.
Осипов А.В., Сапожников А.Е., Плешакова Е.С., Гатауллин С.Т. Методы машинного обучения для распознавания эмоционального состояния абонента телекоммуникационных систем // Информационные технологии и вычислительные системы. 2024. № 1. С. 23–35. DOI: 10.14357/20718632240103. EDN: IRVBHY.
Osipov A., Pleshakova E., Liu Ya., Gataullin S. Machine learning methods for speech emotion recognition on telecommunication systems // Journal of Computer Virology and Hacking Techniques. 2023. No. 20 (3). Pp. 415–428. DOI: 10.1007/s11416-023-00500-2. EDN: GIIZVA.
Плешакова Е.С., Гатауллин С.Т., Осипов А.В. и др. Эффективная классификация текстов на естественном языке и определение тональности речи с использованием выбранных методов машинного обучения // Вопросы безопасности. 2022. № 4. С. 1–14. DOI: 10.25136/2409-7543.2022.4.38658. EDN: UPWMCV.
Pleshakova E.S., Filimonov A.V., Osipov A.V., Gataullin S.T. Identification of cyberbullying by neural network methods // Security Issues. 2022. No. 3. Pp. 28–38. DOI: 10.25136/2409-7543.2022.3.38488. EDN: BEINMG.
Филимонов А.В., Осипов А.В., Плешакова Е.С., Гатауллин С.Т. Нейросетевые методы распознавания эмоций речи для противодействия мошенничеству в телекомукационных системах // Вопросы кибербезопасности. 2022. № 6 (52). С. 83–92. DOI: 10.21681/2311-3456-2022-6-83-92. EDN: YELMTC.
Плешакова Е.С., Гатауллин С.Т., Осипов А.В. и др. Применение методов тематического моделирования в задачах распознавания темы текста для обнаружения телефонного мошенничества // Программные системы и вычислительные методы. 2022. № 3. С. 14–27. DOI: 10.7256/2454-0714.2022.3.38770. EDN: RPLSLQ.
Никитин П.В., Осипов А.В., Плешакова Е.С. и др. Распознавание эмоций по аудио сигналам как один из способов борьбы с телефонным мошенничеством // Программные системы и вычислительные методы. 2022. № 3. С. 1–13. DOI: 10.7256/2454-0714.2022.3.38674. EDN: ZBVOCN.
Pleshakova E.S., Gataullin S.T., Osipov A.V., Bylevskii P.G. Legislative prevention of new financial technologies threats // National Security / Nota Bene. 2022. No. 6. Pp. 62–70. DOI: 10.7256/2454-0668.2022.6.39275. EDN: MRAOCI.
Плешакова Е.С., Гатауллин С.Т., Осипов А.В. и др. Распознавание эмоций человека по голосу в борьбе с телефонным мошенничеством // Национальная безопасность / Nota Bene. 2022. № 5. С. 11–29. DOI: 10.7256/2454-0668.2022.5.38782. EDN: SGTJAV.
Гончаров К., Плешакова Е., Шелягин А., Гатауллин С. Борьба с телефонным мошенничеством на основе распознавания голоса с применением машинного обучения // Информационные ресурсы России. 2022. № 4 (188). С. 96–104. DOI: 10.52815/0204-3653_2022_04188_96. EDN: WUQPFD.
Былевский П.Г., Гатауллин С.Т., Плешакова Е.С. Модернизация методологии: стратегия и тактика противодействия «телефонным мошенничествам» // Журнал высоких гуманитарных технологий. 2023. № 1 (1). С. 6–16. EDN: BEZHAD.
Pleshakova E.S., Gataullin S.T., Osipov, A.V. Bylevskii P.G. The factor of complex interaction in responding to telephone fraud // Security Issues. 2023. No. 1. P. 1–9. DOI: 10.25136/2409-7543.2023.1.39274. EDN: LWCDNH.
Конторович В., Кураев А., Бобровский Д. и др. Противостояние угрозам телефонного мошенничества средствами искусственного интеллекта // Информационные ресурсы России. 2023. № 2 (191). С. 72–81. EDN: KWGFGD.
Филимонов А.В., Плешакова Е.С., Осипов А.В. и др. Обнаружение и предотвращение телефонного мошенничества на основе распознавания голоса с применением нейросетевых методов. М.: Русайнс, 2023. 164 с. ISBN: 978-5-466-02819-5. EDN: NFAOPS.
Беспалова Н.В., Осипов А.В., Плешакова Е.С., Гатауллин С.Т. Анализ сетевой безопасности финансового сектора: матер. 17-й Междунар. конф. по управлению развитием крупномасштабных систем (MLSD). М., 2024. С. 1–4. DOI: 10.1109/MLSD61779.2024.10739559.
Пугачева Д.Б., Юдина М.В. Исследование программных решений для определения оптимального решения по заданным параметрам // Computational Nanotechnology. 2024. Т. 11. № 5. С. 78–86. DOI: 10.33693/2313-223X-2024-11-5-78-86. EDN: BUKIIM.
Ключевые слова:
искусственный интеллект, кибербезопасность, социальная инженерия, сети Колмогорова–Арнольда, рекуррентные, капсульные нейронные сети, высокопроизводительные вычисления.
