СТОХАСТИЧНЕ МОДЕЛЮВАННЯ ТА ОПТИМІЗАЦІЯ ЗАХИСТУ ВІД БАГАТОХОДОВИХ ФІШИНГОВИХ КАМПАНІЙ

Автор(и)

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1393

Ключові слова:

фішинг, соціальна інженерія, ланцюги Маркова, поглинальний марківський ланцюг, матриця переходів, ймовірність компрометації, багатоходова атака, аналіз чутливості, оцінювання кіберризику

Анотація

Фішинг залишається одним із провідних векторів первинного доступу до інформаційних систем, а результативність таких атак значною мірою визначається поведінкою користувача. Традиційні бінарні показники на кшталт «клік/не клік» не відображають багатоходової траєкторії, у межах якої користувач переходить між станами доставки повідомлення, залучення, підозри, взаємодії, компрометації або безпечного виходу. Метою дослідження є розроблення та чисельна верифікація процесної ймовірнісної моделі багатоходового фішингового сценарію, що дає змогу оцінювати ймовірність компрометації, очікувану кількість кроків до завершення сценарію та чутливість результату до захисних втручань. Модель побудовано на основі поглинального марківського ланцюга зі скінченним простором станів; сформовано матрицю переходів, визначено транзитні та поглинальні стани, фундаментальну матрицю, матрицю ймовірностей поглинання та вектор очікуваної кількості кроків. Для ілюстративного credential-phishing сценарію аналітично отримано ймовірність компрометації  та очікувану кількість кроків . Внутрішню чисельну коректність реалізації перевірено методом Монте-Карло на  траєкторій із побудовою 95 % довірчих інтервалів; результати узгоджуються з аналітичним розв’язком. При цьому Монте-Карло використано лише як засіб чисельної верифікації, а не як емпіричну валідацію моделі. Для аналізу захисних заходів розглянуто стохастично допустимі зміни переходів, що відповідають удосконаленню поштової автентифікації, навчанню користувачів і застосуванню фішинг-стійкої багатофакторної автентифікації. Бюджетний вибір заходів виконано жадібною процедурою за критерієм зниження ризику на одиницю вартості та зіставлено з повним перебором. Показано, що жадібне рішення не завжди збігається з глобально оптимальним. Наукова новизна полягає у процесному поданні поведінкової траєкторії користувача як марківського ланцюга та формалізації зв’язку між захисними втручаннями, зміною перехідних імовірностей і кінцевим ризиком компрометації.

Завантаження

Дані завантаження ще не доступні.

Посилання

ENISA. (2024). ENISA threat landscape 2024. European Union Agency for Cybersecurity.

Zhuo, S., Biddle, R., Koh, Y. S., Lottridge, D., & Russello, G. (2023). SoK: Human-centered phishing susceptibility. ACM Transactions on Privacy and Security, 26(3), Article 24. https://doi.org/10.1145/3575797

Falade, P. V. (2023). Decoding the threat landscape: ChatGPT, FraudGPT, and WormGPT in social engineering attacks. International Journal of Scientific Research in Computer Science, Engineering and Information Technology, 9(5), 185-198.

Cheimonidis, P., & Rantos, K. (2025). A proactive and time-sensitive cyber risk assessment model integrating Markov chains and Bayesian networks. IEEE Access, 13, 96911-96932. https://doi.org/10.1109/ACCESS.2025.3575070

Theodosiadou, O., Chatzakou, D., Tsikrika, T., Vrochidis, S., & Kompatsiaris, I. (2023). Real-time threat assessment based on hidden Markov models. Risk Analysis, 43(10), 2069-2081.

Sommestad, T., & Karlzén, H. (2024). The unpredictability of phishing susceptibility: Results from a repeated measures experiment. Journal of Cybersecurity, 10(1), tyae021. https://doi.org/10.1093/cybsec/tyae021

Ribeiro, L., Guedes, I. S., & Cardoso, C. S. (2024). Which factors predict susceptibility to phishing? An empirical study. Computers & Security, 136, 103558. https://doi.org/10.1016/j.cose.2023.103558

Gan, C. L., Lee, Y. Y., & Liew, T. W. (2024). Fishing for phishy messages: Predicting phishing susceptibility through the lens of cyber-routine activities theory and heuristic-systematic model. Humanities and Social Sciences Communications, 11(1), Article 1552. https://doi.org/10.1057/s41599-024-04083-1

Klütsch, J., Schwab, J., Böffel, C., Zimmermann, V., & Schlittmeier, S. J. (2024). Friend or phisher: How known senders and fear of missing out affect young adults’ phishing susceptibility on social media. Humanities and Social Sciences Communications, 11(1). https://doi.org/10.1057/s41599-024-03412-8

Sutter, T., Bozkir, A. S., Gehring, B., & Berlich, P. (2022). Avoiding the hook: Influential factors of phishing awareness training on click-rates and a data-driven approach to predict email difficulty perception. IEEE Access, 10, 100540-100565. https://doi.org/10.1109/ACCESS.2022.3207272

Cheimonidis, P., & Rantos, K. (2023). Dynamic risk assessment in cybersecurity: A systematic literature review. Future Internet, 15(10), 324. https://doi.org/10.3390/fi15100324

Cheimonidis, P., & Rantos, K. (2025). A novel proactive and dynamic cyber risk assessment methodology. Computers & Security, 154, 104439. https://doi.org/10.1016/j.cose.2025.104439

Chen, L., Zhang, T., Ma, Y., Li, Y., Wang, C., He, C., Lv, Z., & Li, N. (2024). A Bayesian-attack-graph-based security assessment method for power systems. Electronics, 13(13), 2628. https://doi.org/10.3390/electronics13132628

Li, T., Song, C., & Pang, Q. (2023). Defending against social engineering attacks: A security pattern-based analysis framework. IET Information Security, 17(4), 703-726. https://doi.org/10.1049/ise2.12125

Sridhar, A. P. (2025). Analyzing social engineering attack patterns using behavioral psychology and AI-driven defense mechanisms. Journal of Internet Services and Information Security, 15(1), 502-519.

Tamal, M. A., Islam, M. K., Bhuiyan, T., Sattar, A., & Prince, N. U. (2024). Unveiling suspicious phishing attacks: Enhancing detection with an optimal feature vectorization algorithm and supervised machine learning. Frontiers in Computer Science, 6, Article 1428013. https://doi.org/10.3389/fcomp.2024.1428013

ISO/IEC. (2022). Information security, cybersecurity and privacy protection – Guidance on managing information security risks (ISO/IEC 27005:2022). International Organization for Standardization.

Downloads


Переглядів анотації: 0

Опубліковано

2026-10-26

Як цитувати

Міскевич, О., Сурова, Н., & Костючко, С. (2026). СТОХАСТИЧНЕ МОДЕЛЮВАННЯ ТА ОПТИМІЗАЦІЯ ЗАХИСТУ ВІД БАГАТОХОДОВИХ ФІШИНГОВИХ КАМПАНІЙ. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 3(35), 252–262. https://doi.org/10.28925/2663-4023.2026.35.1393