vdgtuВестник Дагестанского государственного технического университета. Технические наукиHerald of Dagestan State Technical University. Technical Sciences2073-61852542-095XDaghestan State Technical University10.21822/2073-6185-2025-52-2-81-89vdgtu-1773Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGY AND TELECOMMUNICATIONSГибридный метод моделирования систем искусственного интеллекта для выявления кибератакA hybrid method for modeling artificial intelligence systems to detect cyberattackshttps://orcid.org/0009-0005-8562-9389ДубровинаА. И.DubrovinaA. I.

Ангелина Игоревна Дубровина, доцент

344002, г. Ростов-на-Дону, пл. Гагарина, 1

Angelina I. Dubrovina, Assoc. Prof.

1 Gagarina Square, Rostov-on-Don 344002

ministrelia69@yandex.ruДонской государственный технический университетРоссияDon State Technical UniversityRussian Federation2025100820255228189Copyright © Дубровина А.И., 20252025Дубровина А.И.Dubrovina A.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.dgtu.ru/jour/article/view/1773

Цель. Целью исследования является разработка адаптивной системы защиты критической инфраструктуры жизнеобеспечения на основе гибридных ИИ-методов, объединяющих машинное обучение (МО) и обучения с подкреплением. Метод. Используется гибридный метод моделирования систем искусственного интеллекта для выявления кибератак. Основой метода является комбинирование обучения с подкреплением и анализа аномалий, что позволяет системе автоматически адаптироваться к новым угрозам в процессе эксплуатации. Результат. Предложено внедрение систем искусственного интеллекта на этапах мониторинга, анализ полученных данных и оперативное реагирование по ликвидации угрозы. Система включает разработку гибридных моделей для анализа данных, которая объединяет информацию из внешних источников и журналов событий. Применение системы позволит повысить устойчивость инфраструктуры, снижая уязвимость к угрозам, обеспечивая бесперебойное функционирование в условиях информационной угрозы. Вывод. Рассмотрены новые подходы к использованию систем искусственного интеллекта для повышения эффективности защиты критической инфраструктуры объектов. Предложены модели искусственного интеллекта, основанные на машинном обучении, позволяющие обнаруживать за короткое время не только старые угрозы, но и нетипичные сценарии информационных взломов. Алгоритмы прогнозирования применяются для анализа и последующего исследования аномального поведения вредоносной системы, в то время, как глубокое обучение обеспечивает точное заключение по классификации угроз.

Objective. The aim of the research is to develop an adaptive system for protecting critical life support infrastructure based on hybrid AI methods that combine machine learning (ML) and reinforcement learning. Method. A hybrid method of modeling artificial intelligence systems to detect cyber attacks is used. The basis of the method is a combination of reinforcement learning and anomaly analysis, which allows the system to automatically adapt to new threats. Result. It is proposed to implement artificial intelligence systems at the stages of monitoring, analysis of the received data and prompt response to eliminate the threat. The system includes the development of hybrid models for data analysis, which combines information from external sources and event logs. The use of the system will increase the stability of the infrastructure, reduce vulnerability to threats, and ensure uninterrupted operation in the conditions of an information threat. Conclusion. New approaches to the use of artificial intelligence systems are considered. Artificial intelligence models based on machine learning are proposed, allowing for the detection of not only old threats but also atypical scenarios of information hacks in a short time. Predictive algorithms are used to analyze the abnormal behavior of the malicious system, and deep learning provides accurate conclusions about threat classification.

системный анализИИмашинное обучениеобучение с подкреплениемsystem analysisAImachine learningreinforcement learningReferencesШелухин В.В., Зегжда Д.П. Интеллектуальные технологии информационной безопасности. М.: МГТУ им. Н.Э. Баумана, 2021. 320 с.Shelukhin V.V., Zeghda D.P. Intelligent Technologies for Information Security. Moscow: MSTU Publishing House, 2021. 320 p. (In Russ.)Лю Ю. Обучение с подкреплением на PyTorch: Сборник рецептов. СПб.: Питер, 2020. 400 с.Liu Y. Reinforcement Learning with PyTorch: A Cookbook. St. Petersburg: Peter, 2020. 400 p. (In Russ.)Xu S., Qian Y., Hu R.Q. Cybersecurity in Intelligent Networking Systems. New Jersey: Wiley-IEEE Press, 2019. 368 p.Xu S., et al. Cybersecurity in Intelligent Networking Systems. New Jersey: Wiley-IEEE Press, 2019. 368 p.Goodfellow I., et al. Deep learning. MIT press, 2016. 800 p.Goodfellow I., et al. Deep Learning. MIT Press, 2016. 800 p.Alavizadeh H., et al. Deep Reinforcement Learning for Cybersecurity: A Comprehensive Review. IEEE Access, 2023, vol. 11, p. 12392-12416.Alavizadeh H., et al. Deep Reinforcement Learning for Cybersecurity: A Comprehensive Review. IEEE Access, 2023;11:12392-12416.Sutton R.S., Barto A.G. Reinforcement Learning: An Introduction. 2nd ed. Cambridge: MIT Press, 2018. 552 p.Sutton R.S., Barto A.G. Reinforcement Learning: An Introduction. 2nd ed. Cambridge: MIT Press, 2018. 552 p.Kaspersky K., et al. Advanced Persistent Threats: Detection, Analysis, and Protection. Berlin: Springer, 2020. 278 p.Kaspersky K., et al. Advanced Persistent Threats: Detection, Analysis, and Protection. Berlin: Springer, 2020. 278 p.Гаврилов А.В., Петренко С.А. Машинное обучение в задачах кибербезопасности. М.: ДМК Пресс, 2022. 192 с.Gavrilov A.V., Petrenko S.A. Machine Learning in Cybersecurity Tasks. Moscow:DMK Press, 2022. 192p. (In Russ.)Silver D., et al. Mastering the game of Go with deep neural networks and tree search. Nature, 2016, vol. 529, p. 484-489. DOI: 10.1038/nature16961Silver D., et al. Mastering the game of Go with deep neural networks and tree search. Nature, 2016; 529: 484-489.Липаев В.В. Защита критической инфраструктуры от кибератак. СПб.: Лань, 2021. 245 с.Lipaev V.V. Protection of Critical Infrastructure from Cyber Attacks. St.Petersburg: Lan, 2021;245(In Russ.)Mnih V., et al. Human-level control through deep reinforcement learning. Nature, 2015; 518:529-533.Mnih V., et al. Human-level control through deep reinforcement learning. Nature, 2015; 518:529-533.Осипов Д.С. Нейронные сети для анализа сетевого трафика. М.: Инфра-Инженерия, 2023. 168 с.Osipov D.S. Neural Networks for Network Traffic Analysis. Moscow: Infra-Engineering, 2023. 168 p. (In Russ.)Carlini N., Wagner D. Adversarial Examples: Attacks and Defenses. arXiv:1802.00420, 2019.Carlini N., Wagner D. Adversarial Examples: Attacks and Defenses. arXiv:1802.00420, 2019.Миронов А.А., Соколова Е.В. Глубокое обучение в защите данных. Новосибирск: НГУ, 2022. 210 с.Mironov A.A., Sokolova E.V. Deep Learning in Data Protection. Novosibirsk: NSU, 2022. 210 p.(In Russ.)LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, 2015, vol. 521, p. 436-444.LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, 2015;521:436-444.Шнайер Б. Прикладная криптография. М.: Триумф, 2020. 816 с.Schneier B. Applied Cryptography. Moscow: Triumph, 2020. 816 p. (In Russ.)Papernot N., et al. Practical Black-Box Attacks Against Machine Learning. ACM CCS, 2017, p. 506-519.Papernot N., et al. Practical Black-Box Attacks Against Machine Learning. ACM CCS, 2017; 506-519.Tanenbaum A.S., Wetherall D. Computer Networks. 6th ed. New Jersey: Pearson, 2021. 960 p.Tanenbaum A.S., Wetherall D. Computer Networks. 6th ed. New Jersey: Pearson, 2021. 960 p.Крутов А.Н., Белов А.И. Искусственный интеллект в энергетике. М.: Энергоатомиздат, 2023. 304 с.Krutov A.N., Belov A.I. Artificial Intelligence in Energy. Moscow:Energoatomizdat, 2023.304 p.(In Russ.)Madry A., et al. Towards Deep Learning Models Resistant to Adversarial Attacks. ICLR, 2018.Madry A., et al. Towards Deep Learning Models Resistant to Adversarial Attacks. ICLR, 2018.

The authors declare that there are no conflicts of interest present.