Влияние искусственного интеллекта в кибербезопасности
Аннотация: Эта статья рассматривает, как технологии машинного обучения кардинально меняют подходы к защите цифровых активов. Прослеживает, как ИИ помогает не просто отражать известные угрозы, а предсказывать и предотвращать ранее неизвестные атаки в режиме реального времени. В материале подробно рассматриваются практические применения интеллектуальных систем — от анализа поведения пользователей до автоматического реагирования на инциденты. Вы узнаете, как алгоритмы обнаруживают сложные целевые атаки, борются с фишингом и защищают уязвимые устройства Интернета вещей. Особое внимание уделяется реальным примерам внедрения таких систем и тем вызовам, с которыми сталкиваются разработчики — от проблем с конфиденциальностью до противодействия со стороны злоумышленников.
Ключевые слова: искусственный интеллект, кибербезопасность, машинное обучение, аналитика поведения (UEBA), SOAR, фишинг, вредоносное программное обеспечение, киберугрозы, прогнозная аналитика, безопасность IoT, облачная безопасность, управление уязвимостями, состязательные атаки.
Abstract: This article talks about how machine learning technologies are fundamentally changing approaches to protecting digital assets. We are following how AI helps not only to repel known threats, but also to predict and prevent previously unknown attacks in real time. The article discusses in detail the practical applications of intelligent systems, from analyzing user behavior to automatically responding to incidents. You will learn how algorithms detect complex targeted attacks, combat phishing, and protect vulnerable IoT devices. Special attention is paid to real-world examples of the implementation of such systems and the challenges faced by developers, from privacy issues to counteraction from intruders.
Содержание не найдено
Список литературы
1. Saxe J., Sanders H. malwareDNA: Transfer Learning for Cyber-Security via Malware DNA. // Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2020. P. 3105-3114.
2. Андрианов Д.А., Петров К.С. Обнаружение аномалий в поведении пользователей корпоративных информационных систем с использованием машинного обучения // Информатика и системы управления. 2022. № 2(72). С. 45-55.
3. Акок М., Ярвинен К. Состязательные атаки на системы машинного обучения в кибербезопасности: обзор и контрмеры // Труды института системного программирования РАН. 2021. Т. 33. № 4. С. 163-178.
4. He W., Li K., Zhang X. Deep Learning for Phishing Detection: A Comprehensive Survey // IEEE Access. 2023. Vol. 11. P. 32829-32851.
5. Смирнов А.В., Кузнецова Е.Д. Автоматизация реагирования на киберинциденты: возможности и ограничения платформ SOAR // Вопросы кибербезопасности. 2023. № 1(45). С. 22-30.
6. Мельников А.С. Прогнозная аналитика в управлении киберугрозами: современное состояние и перспективы // Искусственный интеллект и принятие решений. 2024. № 1. С. 45-56.
7. Батчаева З.Б., Кубанов Г.Б., Кубанов М.Б., Узденова Л.А. ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ В РАЗЛИЧНЫХ СФЕРАХ ДЕЯТЕЛЬНОСТИ. Евразийское пространство: экономика, право, общество. 2024. № 12. С. 114-115.
8. Johnson L., Brown R. AI-Powered Vulnerability Management: A New Paradigm for Cyber Risk Assessment // Computers & Security. 2023. Vol. 124. P. 102956.
9. Указ Президента Российской Федерации от 10.10.2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации» [Электронный ресурс]. URL: http://publication.pravo.gov.ru/Document/View/0001201910110002
Модель может определить, что письмо от «службы безопасности банка» написано с грамматическими ошибками, несвойственными корпоративному стилю.
Обнаружение поддельных веб-сайтов: Модели компьютерного зрения анализируют скриншоты веб-страниц, распознавая поддельные логотипы, шрифты и элементы интерфейса, которые визуально похожи на настоящие, но имеют микроскопические отличия [4].
Выявление мошеннических транзакций: В финансовом секторе ИИ в реальном времени оценивает сотни параметров транзакции (сумма, местоположение, устройство, поведение пользователя), чтобы блокировать несанкционированные операции до их завершения. Система может заметить, что карта, только что использованная в Москве, через 5 минут используется для оплаты в Нью-Йорке, и заблокировать ее.
Кроме того, активно развиваются методы «глубокой инспекции ссылок». Современные антифишинговые решения не просто проверяют URL по черным спискам, а с помощью алгоритмов машинного обучения анализируют целевую стр