МОДЕЛІ ПІДВИЩЕННЯ ЗАХИЩЕНОСТІ ПЕРСОНАЛЬНИХ ДАНИХ КОРИСТУВАЧІВ СИСТЕМИ ДИСТАНЦІЙНОГО НАВЧАННЯ ЗБРОЙНИХ СИЛ УКРАЇНИ

DOI: 10.31673/2412-4338.2022.023345

Анотація

Обґрунтовано проблему удосконалення існуючих та розробки нових моделей підвищення захищеності персональних даних користувачів системи дистанційного навчання ЗС України на основі штучного інтелекту, як часткову проблему загальної проблеми кібербезпеки даної системи. Доведено те, що для забезпечення високого рівня захищеності персональних даних користувачів системи дистанційного навчання в сучасних умовах активно використовують прогресивні організаційні, апаратні та програмні рішення. Надано аналіз закордонного та вітчизняного досвіду розробки та впровадження систем захисту персональних даних користувачів системи дистанційного навчання та зроблено висновок про можливість значного підвищення їх ефективності за рахунок розвитку математичного та програмного забезпечення. Обґрунтовано те, що найбільш актуальним в цьому напрямку є використання моделей та методів штучного інтелекту, а саме, нечіткої логіки та гібридних мереж. Представлено матеріали дослідження щодо розробки методики підвищення захищеності персональних даних користувачів системи дистанційного навчання ЗС України, яка забезпечує ефективне реагування на потік загроз та базується на основі впровадження моделей та методів нечіткої логіки та гібридних мереж; описана модель визначення стану системи захисту персональних даних та метод прогнозування стану системи захисту персональних даних. Представлено результати комп’ютерного моделювання.

Ключові слова: захист, модель, персональні данні, дистанційне навчання, нечітка логіка, гібридна мережа.

Список використаної літератури
1. Savchenko V.,Matsko O.,Vorobiov O., Kizyak Y.Kriuchkova L.Tikhonov Y., Kotenko A. Network traffic forecasting based on the canonical expansion of a random process. Eastern European Journal of Enterprise Technologies. 2018. Vol 3, № 2 (93). pp. 33-41.
2. M. J. Hossain Faruk et al. Malware Detection and Prevention using Artificial Intelligence Techniques," 2021 IEEE International Conference on Big Data (Big Data), Orlando, FL, USA, 2021, pp. 5369-5377, doi: 10.1109/BigData52589.2021.9671434.
3. Rokon, M.O.F., Islam, R., Darki, A., Papalexakis, E., Faloutsos, M.: Sourcefinder: Finding malware source-code from publicly available repositories in github. No 10, 2020, pp. 149-163.
4. Shrestha, P., Maharjan, S., Ramirez-de-la Rosa, G., Sprague, A., Solorio, T., Warner, G.: Using string information for malware family identification. No 11, 2014, pp. 686–697. https://doi.org/10.1007/978-3-319-12027-0 55
5. Schultz, M., Eskin, E., Zadok, F., Stolfo, S.: Data mining methods for detection of new malicious executables. No 02, 2001, pp. 38–49.
6. I. Baptista, S. Shiaeles and N. Kolokotronis, "A Novel Malware Detection System Based on Machine Learning and Binary Visualization," 2019 IEEE International Conference on Communications Workshops (ICC Workshops), Shanghai, China, 2019, pp. 1-6, doi: 10.1109/ICCW.2019.8757060.
7. Bose, S., Barao, T., Liu, X.: Explaining ai for malware detection: Analysis of mechanisms of malconv. In: 2020 International Joint Conference on Neural Networks (IJCNN). pp. 1-8.
8. Sharma, S., Challa, R., Sahay, S.: Detection of advanced malware by machine learning techniques. No 03, 2019.
9. Abhilash Chakraborty, Anupam Biswas, Ajoy Kumar Khan. Artificial Intelligence for Cybersecurity: Threats, Attacks and Mitigation. 2022. https://doi.org/10.48550/arXiv.2209.13454
10. Jang J.-S. R. ANFIS: Adaptive-Network-based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics: Systems. 1993. Vol. 23. no. 3. рр. 665−685.
11. Bohdan Zhurakovskyi, Serhii Toliupa, Volodymir Druzhynin, Andrii Bondarchuk, Mykhailo Stepanov . Calculation of Quality Indicators of the Future Multiservice Network. In: Future Intent-Based Networking: On the QoS Robust and Energy Efficient Heterogeneous Software Defined Networks. Springer International Publishing, 2022. p. 197-209.