ЖАСАЛМА ИНТЕЛЛЕКТТИН ЫКМАЛАРЫНА НЕГИЗДЕЛГЕН МААЛЫМАТТЫК КООПСУЗДУК КОРКУНУЧТАРЫН МОДЕЛДӨӨ ЖАНА БОЛЖОЛДОО ҮЧҮН ПРОГРАММАЛЫК КАМСЫЗДООНУН МАТЕМАТИКАЛЫК НЕГИЗДЕРИН ИШТЕП ЧЫГУУ
DOI:
https://doi.org/10.52754/16948610_2026_2_33%20Ачкыч сөздөр:
маалыматтык коопсуздук, жасалма интеллект, машиналык окутуу, коркунучтарды болжолдоо, математикалык моделдөөАннотация
Макалада машиналык окутуу, терең окутуу, графтык талдоо жана түшүндүрмөлүү жасалма интеллект ыкмаларына негизделген маалыматтык коопсуздук коркунучтарын моделдөө, эрте аныктоо жана болжолдоо үчүн иштелип чыгуучу программалык камсыздоонун илимий-методологиялык негизи каралат. Изилдөөнүн актуалдуулугу киберчабуулдардын татаалдашуусу, көп баскычтуу APT-чабуулдардын кеңири жайылышы, булуттук, корпоративдик жана IoT-инфраструктураларга багытталган чабуулдардын көбөйүшү, ошондой эле жаңы, өзгөртүлгөн жана мурда белгисиз болгон коркунучтарды аныктоодо салттуу сигнатуралык кийлигишүүнү аныктоо системаларынын мүмкүнчүлүктөрүнүн чектелгендиги менен шартталган. Макалада буга чейин болуп өткөн инциденттерди гана каттоого багытталган ыкмалардан айырмаланып, окуялардын убакыттык ырааттуулугун, тармак түйүндөрүнүн өз ара байланышын, чабуулдардын өнүгүүсүнүн ыктымалдык мүнөзүн, тармактык топологиянын өзгөрүшүн жана SOC аналитиги үчүн жасалма интеллекттин чечимдерин түшүндүрүүнүн зарылдыгын эске алган маалыматтык коопсуздуктун болжолдоочу моделине өтүүнүн негиздемеси сунушталат. Маселенин математикалык коюлушу сунушталып, анда тармактык окуя белгилер вектору түрүндө сүрөттөлөт, инфраструктура динамикалык граф катары берилет, тобокелдик функциясы түзүлөт, белгилүү убакыт аралыгына чабуулдун ыктымалдык божомолу иштелип чыгат жана келечектеги программалык ишке ашыруунун сапат критерийлери аныкталат. Изилдөөнүн практикалык мааниси түзүлгөн теориялык негиз келечекте SIEM/SOC-инфраструктурасы менен интеграциялануучу, маалыматтык коопсуздук окуяларын талдоого, тобокелдиктерди баалоого, коркунучтарды болжолдоого жана кооптуу эскертүүлөрдүн себептерин түшүндүрүүгө арналган интеллектуалдык программалык комплексти иштеп чыгуу үчүн негиз боло ала тургандыгында.
Библиографиялык шилтемелер
Anderson, J.P. (1980). Computer Security Threat Monitoring and Surveillance. Fort Washington: James P. Anderson Co.
Bai S., Kolter J.Z., Koltun V. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling. 2018.
Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006.
Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. P. 5–32.
Brown T.B. et al. Language Models are Few-Shot Learners // NeurIPS. 2020. Vol. 33. P. 1877–1901.
Buczak A.L., Guven E. A Survey of Data Mining and Machine Learning Methods for Cyber Security Intrusion Detection // IEEE Communications Surveys & Tutorials. 2016. Vol. 18, No. 2. P. 1153–1176.
Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // KDD. 2016. P. 785–794.
Denning D.E. An Intrusion-Detection Model // IEEE Transactions on Software Engineering. 1987. Vol. SE-13, No. 2. P. 222–232.
ENISA. Threat Landscape 2025. European Union Agency for Cybersecurity, 2025.
Ferrag M.A., Maglaras L., Moschoyiannis S., Janicke H. Deep Learning for Cyber Security Intrusion Detection: Approaches, Datasets, and Comparative Study // Information Security Journal. 2022. Vol. 31, No. 2. P. 108–139.
Goodfellow I.J., Shlens J., Szegedy C. Explaining and Harnessing Adversarial Examples // ICLR. 2015.
Hamilton W.L. Graph Representation Learning. Morgan & Claypool, 2020.
Hamilton W.L., Ying R., Leskovec J. Inductive Representation Learning on Large Graphs // NeurIPS. 2017. P. 1024–1034.
Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780.
IBM Security. Cost of a Data Breach Report 2025. IBM, 2025.
Kim J., Kim J., Thu H.L.T., Kim H. Long Short Term Memory Recurrent Neural Network Classifier for Intrusion Detection // ICUIMC. 2016. Article 94.
Kipf T.N., Welling M. Semi-Supervised Classification with Graph Convolutional Networks // ICLR. 2017.
Koroniotis N., Moustafa N., Sitnikova E., Turnbull B. Towards the Development of Realistic Botnet Dataset in the Internet of Things for Network Forensic Analytics: Bot-IoT Dataset // Future Generation Computer Systems. 2019. Vol. 100. P. 779–796.
Lo W.W., Layeghy S., Sarhan M., Gallagher M., Portmann M. E-GraphSAGE: A Graph Neural Network Based Intrusion Detection System for IoT // IEEE/IFIP NOMS. 2022. P. 1–9.
Madry A., Makelov A., Schmidt L., Tsipras D., Vladu A. Towards Deep Learning Models Resistant to Adversarial Attacks // ICLR. 2018.
MITRE. MITRE ATT&CK Enterprise Matrix.
Moustafa N. ToN_IoT Datasets: A New Generation Dataset of IoT and IIoT for Data-Driven Intrusion Detection Systems // IEEE Access. 2020. Vol. 8. P. 165130–165150.
Moustafa N., Slay J. UNSW-NB15: A Comprehensive Data Set for Network Intrusion Detection Systems // MilCIS. 2015. P. 1–6.
Murphy K.P. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
Myneni S., Chowdhary A., Sabur A., Sengupta S., Agrawal G., Huang D., Kang M. DAPT 2020: Constructing a Benchmark Dataset for Advanced Persistent Threats // MLHat 2020. Springer, 2020. P. 138–163.
Neto E.C.P. et al. CICIoT2023: A Real-Time Dataset and Benchmark for Large-Scale Attacks in IoT Environment // Sensors. 2023. Vol. 23, No. 13. Article 5941.
Scarselli F., Gori M., Tsoi A.C., Hagenbuchner M., Monfardini G. The Graph Neural Network Model // IEEE Transactions on Neural Networks. 2009. Vol. 20, No. 1. P. 61–80.
Shrikumar A., Greenside P., Kundaje A. Learning Important Features Through Propagating Activation Differences // ICML. 2017. P. 3145–3153.
Staudemeyer R.C. Applying Long Short-Term Memory Recurrent Neural Networks to Intrusion Detection // South African Computer Journal. 2015. Vol. 56, No. 1. P. 136–154.
Tavallaee M., Bagheri E., Lu W., Ghorbani A.A. A Detailed Analysis of the KDD CUP 99 Data Set // CISDA. 2009. P. 1–6.
Vaswani A. et al. Attention Is All You Need // NeurIPS. 2017. P. 5998–6008.
Veličković P., Cucurull G., Casanova A., Romero A., Liò P., Bengio Y. Graph Attention Networks // ICLR. 2018.
Verizon. Data Breach Investigations Report 2026. Verizon Business, 2026.
Warnecke A., Arp D., Wressnegger C., Rieck K. Evaluating Explanation Methods for Deep Learning in Security // IEEE EuroS&P. 2020. P. 158–174.
Yu W., Ge Z., Sun P., Wang J., Xu W. LogBERT: Log Anomaly Detection via BERT // IJCNN. 2021. P. 1–8.
Жүктөөлөр
Жарыяланды
Кандай шилтеме берүү керек
Саны (чыгарылыш)
Бөлүм
Лицензия
Copyright (c) 2026 Тынчтыкбек Асилбеков , Максатбек Орозов , Азизбек Асанов
