РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ ОСНОВЫ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ УГРОЗ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ НА ОСНОВЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
DOI:
https://doi.org/10.52754/16948610_2026_2_33%20Ключевые слова:
информационная безопасность, искусственный интеллект, машинное обучение, математическое моделированиеАннотация
Актуальность. В статье рассматривается научно-методологическая основа для будущей разработки программного обеспечения, предназначенного для моделирования, раннего выявления и прогнозирования угроз информационной безопасности на основе методов машинного обучения, глубокого обучения, графового анализа и объяснимого искусственного интеллекта. Актуальность исследования обусловлена ростом сложности кибератак, распространением многоэтапных APT-кампаний, увеличением числа атак на облачные, корпоративные и IoT-инфраструктуры, а также ограниченностью классических сигнатурных систем обнаружения вторжений при работе с новыми, модифицированными и заранее неизвестными угрозами. В отличие от подходов, ориентированных только на фиксацию уже произошедшего инцидента, в работе обосновывается необходимость перехода к прогнозной модели информационной безопасности, способной учитывать временную последовательность событий, связи между узлами сети, вероятностный характер развития атаки, изменение сетевой топологии и необходимость объяснения решений искусственного интеллекта для аналитика SOC. Предлагается математическая постановка задачи, включающая описание сетевого события как вектора признаков, представление инфраструктуры в виде динамического графа, формирование функции риска, построение вероятностного прогноза атаки на заданном временном горизонте и определение критериев качества будущей программной реализации. Практическая значимость исследования заключается в том, что сформированная теоретическая база может быть использована как фундамент для последующей разработки интеллектуального программного комплекса, интегрируемого с SIEM/SOC-инфраструктурой и предназначенного для анализа событий информационной безопасности, оценки риска, прогнозирования угроз и объяснения причин тревожного вывода.
Библиографические ссылки
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.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Тынчтыкбек Асилбеков , Максатбек Орозов , Азизбек Асанов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
