ТЕОРЕТИЧНІ ТА ТЕХНІЧНІ АСПЕКТИ ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ В КІБЕРБЕЗПЕЦІ

Анотація

Стаття розглядає технічні та теоретичні питання, пов'язані із застосуванням машинного навчання (ML) у вирішення зростаючих викликів кібератак, оскільки існує потреба в більш агресивних методах боротьби з кіберзлочинами. Дослідження розглядає впровадження технології машинного навчання (ML) як наріжного каменя практично будь-якої сучасної проблеми в кібербезпеці, зокрема процесів і технік, пов’язаних з аналізом проблем, виявленням, прогнозуванням атак і навіть профілюванням поведінки. Пояснюється, як ML забезпечує кращу реакцію порівняно з традиційними методами, такими як виявлення на основі сигнатур, шляхом аналізу великих обсягів даних у реальному часі. Надано огляд ключових особливостей контрольованого та нектрольованого навчання в контексті виявлення аномалій і розпізнавання шкідливої активності з акцентом на алгоритми Support Vector Machine та Isolation Forests, а також детальний розгляд моделі LSTM для аналізу еволюції фішингових URL. Крім того, ці алгоритми висвітлено з точки зору технічної реалізації: контрольоване навчання з використанням Support Vector Machines у Scikit-Learn для класифікації мережевого трафіку на основі таких характеристик, як IP-адреси та порти, нектрольоване навчання з Isolation Forests для виявлення аномалій у багатовимірних даних і глибоке навчання з мережами Long Short-Term Memory (LSTM) для аналізу фішингових URL. У статті досліджуються труднощі при впровадженні алгоритмів ML, такі як дисбаланс класів, Adversarial Attacks та брак прозорості моделей. Такі техніки, як SMOTE (Synthetic Minority Over-sampling Technique), пропонуються для розробки тренувальних наборів даних, тоді як методи Adversarial Training рекомендуються для навчання моделей з метою надійної оптимізації захисту від зловмисного використання моделей. Також підкреслюється роль методів пояснюваності, таких як SHAP і LIME, для зміцнення довіри та прийняття автоматизованих систем ML у кібербезпеці. Визначено можливості для подальших досліджень і запропоновано проводити подальші експерименти для покращення стійкості моделей та метрик продуктивності в обмежених середовищах.