ПРОГНОЗУВАННЯ КІБЕРАТАК ЗА ДОПОМОГОЮ АЛГОРИТМІВ ШТУЧНОГО ІНТЕЛЕКТУ ВИЯВЛЕННЯ АНОМАЛІЙ

Анотація

У науковій статті В. В. Бандури, М. В. Крихіського та В. І. Чудик «Прогнозування кібератак за допомогою алгоритмів штучного інтелекту виявлення аномалій» розглядається нова модель для ефективного прогнозування кібератак, яка використовує інноваційні методи аналізу та виявлення аномалій. Мета дослідження зосереджена на розробці та впровадженні алгоритмів штучного інтелекту для прогнозування кібератак через виявлення аномалій у кіберпросторі. У сучасному цифровому світі, де обсяг даних і складність мережевих структур постійно зростає, стає критично важливою здатність швидко і точно виявляти потенційні загрози. Використання штучного інтелекту в цій сфері дозволяє не лише автоматизувати процес моніторингу та аналізу даних, але й забезпечити більш високу точність прогнозів.Основна увага приділяється поєднанню кількох передових технологій штучного інтелекту, зокрема рекурентних нейронних мереж (RNN), механізму уваги, згорткових нейронних мереж (CNN), двонаправлених мереж (Bi-RNN) та трансформерів. Запропонована модель поєднує переваги цих технологій для створення комплексного підходу до виявлення аномалій у великих обсягах даних, зібраних з різних джерел. Використання механізму уваги дозволяє моделі зосереджуватись на найбільш значущих частинах даних, тоді як згорткові нейронні мережі підвищують ефективність обробки просторових залежностей у даних. Двонаправлені мережі забезпечують аналіз даних у двох напрямках, що дозволяє виявляти більш складні патерни та кореляції, а трансформери забезпечують високу ефективність обробки великих послідовностей даних. У результаті, запропонована модель демонструє високу точність прогнозування кібератак та значно зменшує кількість хибно позитивних спрацьовувань, що сприяє підвищенню рівня кібербезпеки та захисту інформаційних систем.Інтеграція згорткових рекурентних нейронних мереж і трансформерів у єдину модель забезпечує високий рівень адаптивності до нових типів загроз і аномалій, що постійно виникають у кіберпросторі. Модель демонструє стабільну продуктивність навіть при аналізі великих обсягів даних у реальному часі, що є критично важливим для сучасних систем кібербезпеки. Висока точність і швидкість обробки даних робить цю модель практичною та надійною для виявлення кібератак.