КЛАСИФІКАЦІЇ МОДЕЛЕЙ ЗАСТОСУВАННЯ МАШИННОГО НАВЧАННЯ У КІБЕРБЕЗПЕЦІ
DOI:
https://doi.org/10.32782/tnv-tech.2023.4.2Ключові слова:
штучний інтелект, машинне навчання, кібербезпека, кібератака, автоматизаціяАнотація
В статті розглянуто взаємозв’язок між штучним інтелектом (ШІ) та кібербезпекою, аналізуючи важливі виклики та можливості, що виникають у зв’язку зі швидким розвитком цих двох сфер. У сучасному світі, де штучний інтелект стає все більш поширеним і використовується в різних галузях, кібербезпека стає одним з найважливіших аспектів забезпечення безпеки та захисту інформації. Стаття пояснює, що хоча ШІ може приносити значні переваги, він також створює нові загрози та ризики для кібер-безпеки. В статті запропоновано комплексний огляд взаємозв’язку між цими двома сферами, зосереджуючись на викликах та можливостях, пов’язаних зі штучним інтелектом у контексті кібербезпеки. Вона ставить акцент на необхідності розробки ефективних заходів для захисту від загроз, що виникають у зв’язку зі штучним інтелектом, та наголошує на постійному вдосконаленні стратегій кібербезпеки для забезпечення безпеки та захисту інформації. У сучасному трактуванні системи штучного інтелекту – це системи машинного навчання, іноді це ще більше звужується до штучних нейронних мереж. Якщо ми говоримо про все ширше проникнення машинного навчання у різні сфери застосування інформаційних технологій, то, природно, що мають виникати перетини з кібербезпекою. Але проблема в тому, що такий перетин не може бути описаний якоюсь однією моделлю. Поєднання Штучний інтелект та кібербезпека мають безліч різних аспектів застосування. Загальним є, природно, використання методів машинного навчання, але завдання, і навіть досягнуті нині результати, є різними. Наприклад, якщо застосування машинного навчання виявлення атак і вторгнень показує реальні досягнення проти застосовувалися раніше підходами, то атаки самі системи машинного навчання поки повністю перемагають можливі захисти. Класифікації моделей застосування машинного навчання у кібер-безпеці і присвячена дана стаття.
Посилання
Kouliaridis, Vasileios, and Georgios Kambourakis. A comprehensive survey on machine learning techniques for android malware detection. Information 12.5.2021.
Yuan, Zhenlong, et al. Droid-sec: deep learning in android malware detection. Proceedings of the 2014 ACM conference on SIGCOMM. 2014.
Vinayakumar, R., et al. Robust intelligent malware detection using deep learning. IEEE Access 7. 2019.
Tajaddodianfar, Farid, Jack W. Stokes, and Arun Gururajan. Texception: a character/word-level deep learning model for phishing URL detection. ICASSP 2020–2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE. 2020.
Basnet, Ram, Srinivas Mukkamala, and Andrew H. Sung. Detection of phishing attacks: A machine learning approach. Soft computing applications in industry. Springer, Berlin, Heidelberg. 2008.
Divakaran, Dinil Mon, and Adam Oest. Phishing Detection Leveraging Machine Learning and Deep Learning: A Review. arXiv preprint arXiv:2205.07411. 2022.
Твердохліб А.О., Коротін Д.С. Ефективність функціонування комп’ютерних систем при використанні технології блокчейн і баз данних. Таврійський науковий вісник. Серія: Технічні науки. 2022.
Цвик О.С. Аналіз і особливості програмного забезпечення для контролю трафіку. Вісник Хмельницького національного університету. Cерія: Технічні науки, (1). 2023,
Новіченко Є.О. Актуальні засади створення алгоритмів обробки інформації для логістичних центрів. Таврійський науковий вісник. Серія: Технічні науки, (1). 2023.
Зайцев Є.О. Smart засоби визначення аварійних станів у розподільних електричних мережах міст. Таврійський науковий вісник. Серія: Технічні науки, (5). 2022.
Shenfield, Alex, David Day, and Aladdin Ayesh. Intelligent intrusion detection systems using artificial neural networks. Ict Express 4.2. 2018.
Mishra, Preeti, et al. A detailed investigation and analysis of using machine learning techniques for intrusion detection. IEEE Communications Surveys & Tutorials 21.1. 2018.
Alsaheel, Abdulellah, et al. {ATLAS}: A sequence-based learning approach for attack investigation. 30th USENIX Security Symposium (USENIX Security 21). 2021.
Ongun, Talha, et al. Living-Off-The-Land Command Detection Using Active Learning. 24th International Symposium on Research in Attacks, Intrusions and Defenses. 2021.
Kok, S., et al. Ransomware, threat and detection techniques: A review. Int. J. Comput. Sci. Netw. Secur 19.2. 2019.
Wu, Yirui, Dabao Wei, and Jun Feng. Network attacks detection methods based on deep learning techniques: a survey. Security and Communication Networks. 2020.
Xin, Yang, et al. Machine learning and deep learning methods for cybersecurity.IEEE Access 6.2018.
Noor, Umara, et al. A machine learning framework for investigating data breaches based on semantic analysis of adversary’s attack patterns in threat intelligence repositories. Future Generation Computer Systems 95. 2019.
