ДИНАМІЧНА МОДЕЛЬ ОЦІНКИ СТАНУ КІБЕРЗАХИЩЕНОСТІ ДАНИХ У ГЕТЕРОГЕННІЙ ІНФОРМАЦІЙНО-КОМУНІКАЦІЙНІЙ СИСТЕМІ

Олександр Туровский

doi:10.28925/2663-4023.2026.35.1411

Автор(и)

Олександр Туровский Державний університет інформаційно-комунікаційних технологій https://orcid.org/0000-0002-4961-0876

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1411

Ключові слова:

кіберзахищеність даних, динамічне оцінювання стану, динамічна байєсівська мережа, залишковий ризик, якість доказів, затримана телеметрія

Анотація

В статті подано динамічну модель оцінки стану кіберзахищеності даних у гетерогенній інформаційно-комунікаційній системі. Сутність моделі полягає в динамічному оцінюванні стану кіберзахищеності даних шляхом послідовного оновлення ймовірностей станів взаємозалежних компонентів з урахуванням неповноти, достовірності та давності спостережень і подальшим обчисленням залишкового ризику. Її запропонована новизна полягає в узгодженому поєднанні типізованої структури станів, оцінювання якості доказів і повторного опрацювання затриманих спостережень за часом події, що розвиває можливості статичних незалежних оцінок та відомих динамічних байєсівських підходів. Залишковий ризик визначається як очікувані майбутні втрати, обчислені на основі оціненого спільного стану за заданих захисних дій. Запропоновано графову структуру, правила переходів, нормовану модель спостережень і алгоритм повторного фільтрування затриманих повідомлень. Проведено синтетичне оцінювання на 300 траєкторіях по 80 кроків для кожної конфігурації; побудовано шість рисунків і довірчі інтервали методом повторної вибірки траєкторій. За зростання частки пропусків від 0 до 60% показник Brier повної моделі змінювався від 0,0280 до 0,0555, статичної незалежної моделі — від 0,0664 до 0,0887. Досліджено затримки до п’яти кроків, якість доказів, помилкові залежності та вплив захисних дій. Установлено, що врахування неіснуючих залежностей може погіршувати результат. Отримані оцінки характеризують відтворюваний синтетичний стенд; вони не є валідацією на виробничій телеметрії. Розмежовано фізичний стан системи та невизначеність його оцінки, функціональні залежності й шляхи поширення компрометації, транспортну затримку та внутрішню давність доказу. Визначено умови нормування переходів і спостережень, монотонності впливу захисту та розрізнюваності станів. Практичне значення моделі полягає у підтримці порівняння заданих захисних дій за очікуваними наслідками для взаємозалежних компонентів. Подальші дослідження передбачають оцінювання параметрів за незалежною телеметрією та перевірку повної типізованої моделі.

Завантаження

Дані завантаження ще не доступні.

Посилання

Тарасенко, Я., Туровський, О., Іванкін, В., Матусяк, П., & Томашевський, М. (2025). Забезпечення кіберзахисту корпоративної мережі передачі даних в ході організації взаємодії між пристроями IoT дослідницьких лабораторій. Вимірювальна та обчислювальна техніка в технологічних процесах, 2(82), 334–343. https://doi.org/10.31891/2219-9365-2025-82-48

Іванченко, Є., Туровський, О., & Рижаков, М. (2026). Методика побудови системи безпеки об’єкта інформаційної діяльності для роботи з інформацією з обмеженим доступом. Вимірювальна та обчислювальна техніка в технологічних процесах, (3), 309–320. https://doi.org/10.31891/2219-9365-2026-87-37

Dempsey, K., Chawla, N., Johnson, L., Johnston, R., Jones, A., Orebaugh, A., Scholl, M., & Stine, K. (2011). Information security continuous monitoring (ISCM) for federal information systems and organizations (NIST SP 800-137). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.800-137

Rose, S., Borchert, O., Mitchell, S., & Connelly, S. (2020). Zero trust architecture (NIST SP 800-207). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.800-207

Wang, L., Singhal, A., & Jajodia, S. (2007). Measuring the overall security of network configurations using attack graphs. In Data and Applications Security XXI (pp. 98–112). Springer. https://doi.org/10.1007/978-3-540-73538-0_9

Frigault, M., Wang, L., Singhal, A., & Jajodia, S. (2008). Measuring network security using dynamic Bayesian network. In Proceedings of the 4th ACM Workshop on Quality of Protection (pp. 23–30). ACM. https://doi.org/10.1145/1456362.1456368

Poolsappasit, N., Dewri, R., & Ray, I. (2012). Dynamic security risk management using Bayesian attack graphs. IEEE Transactions on Dependable and Secure Computing, 9(1), 61–74. https://doi.org/10.1109/TDSC.2011.34

Behbehani, D., Komninos, N., Al-Begain, K., & Rajarajan, M. (2023). Cloud Enterprise Dynamic Risk Assessment (CEDRA): A dynamic risk assessment using dynamic Bayesian networks for cloud environment. Journal of Cloud Computing, 12, Article 79. https://doi.org/10.1186/s13677-023-00454-2

Husák, M., Komárková, J., Bou-Harb, E., & Čeleda, P. (2019). Survey of attack projection, prediction, and forecasting in cyber security. IEEE Communications Surveys & Tutorials, 21(1), 640–660. https://doi.org/10.1109/COMST.2018.2871866

Cerotti, D., Savarro, D., Codetta Raiteri, D., Dondossola, G., Egidi, L., Franceschinis, G., Portinale, L., & Terruggia, R. (2025). Dynamic Bayesian networks for the detection and analysis of cyber attacks to power systems. IEEE Access, 13, 186289–186306. https://doi.org/10.1109/ACCESS.2025.3624345

Thevaratnam, S., & Rezaeifar, Z. (2026). Quantifying cyber threat using Bayesian statistical analysis. International Journal of Information Security, 25, Article 43. https://doi.org/10.1007/s10207-026-01220-6

Boyen, X., & Koller, D. (1998). Tractable inference for complex stochastic processes. In Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence (pp. 33–42). Morgan Kaufmann. https://ai.stanford.edu/~xb/uai98/index.html

Murphy, K. P. (2002). Dynamic Bayesian networks: Representation, inference and learning [Doctoral dissertation, University of California, Berkeley]. https://www2.eecs.berkeley.edu/Pubs/TechRpts/2002/8174.html

Särkkä, S., & Svensson, L. (2023). Bayesian filtering and smoothing (2nd ed.). Cambridge University Press. https://doi.org/10.1017/9781108917407

National Institute of Standards and Technology. (2012). Guide for conducting risk assessments (NIST SP 800-30 Rev. 1). https://doi.org/10.6028/NIST.SP.800-30r1

National Institute of Standards and Technology. (2020). Security and privacy controls for information systems and organizations (NIST SP 800-53 Rev. 5). https://doi.org/10.6028/NIST.SP.800-53r5

Gneiting, T., & Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102(477), 359–378. https://doi.org/10.1198/016214506000001437

Allman, E. S., Matias, C., & Rhodes, J. A. (2009). Identifiability of parameters in latent structure models with many observed variables. The Annals of Statistics, 37(6A), 3099–3132. https://doi.org/10.1214/09-AOS689

Brier, G. W. (1950). Verification of forecasts expressed in terms of probability. Monthly Weather Review, 78(1), 1–3. https://doi.org/10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2

Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. In Proceedings of the 34th International Conference on Machine Learning (Vol. 70, pp. 1321–1330). PMLR. https://proceedings.mlr.press/v70/guo17a.html