Определение параметров скрытых угроз раннего обнаружения в информационных системах для задач машинного обучения
(Стр. 83-91)

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.

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

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.

машинное обучение, корпоративные информационные системы (КИС), имитационное моделирование, анализ данных, обработка данных, параметрические данные, прогностическая модель.