Технологии искусственного интеллекта в решении задач информационной безопасности
https://doi.org/10.21822/2073-6185-2026-53-1-157-169
Аннотация
Цель. Целью исследования является анализ возможностей применения технологий искусственного интеллекта для решения задач информационной безопасности.
Метод. Исследование основано на проактивном подходе, направленном на снижение негативного воздействия внутренних и внешних угроз; на принципах решения задач информационной безопасности, особенностях и возможностях интеллектуальных методов.
Результат. Разработанный алгоритм внедрения технологий искусственного интеллекта в структуру системы информационной безопасности предприятия описывает основные этапы, которые необходимо пройти при построении интеллектуальных подсистем защиты информации.
Вывод. Внедрение технологий искусственного интеллекта в сферу информационной безопасности позволит строить адаптивные интеллектуальные системы защиты информации, обеспечивающие оперативность реагирования на изменяющиеся угрозы, атаки и возникающие инциденты. Разработчикам и специалистам служб безопасности необходимо управление рисками, формирование принципов ответственности и прозрачности процессов функционирования интеллектуальных подсистем защиты информации.
Об авторах
Д. А. Потиенко
Донской государственный технический университет
Россия
Россия
Потиенко Даниил Анатольевич, магистрант, кафедра «Вычислительные системы и информационная безопасность»,
344003, г. Ростов-на-Дону, пл. Гагарина 1
Д. С. Чмыхало
Донской государственный технический университет
Россия
Россия
Чмыхало Данил Сергеевич, магистрант, кафедра «Вычислительные системы и информационная безопасность»,
344003, г. Ростов-на-Дону, пл. Гагарина 1
О. Л. Легонько
Донской государственный технический университет
Россия
Россия
Легонько Ольга Леонидовна, кандидат технических наук, доцент, кафедра «Вычислительные системы и информационная безопасность»,
344003, г. Ростов-на-Дону, пл. Гагарина 1
Список литературы
1. Шинкарецкая Г.Г., Берман А.М. Кибератаки – Противоправное использование цифровых технологий // Международное право. 2022. № 1. С. 40-50. DOI: 10.25136/2644-5514.2022.1.37271 URL: https://nbpublish.com/library_read_article.php?id=37271
2. Указ Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации» [Электронный ресурс] // ГАРАНТ. URL: https://base.garant.ru/72838946/ (дата обращения: 21.03.2025)
3. ГОСТ Р 50922-2006. Защита информации. Основные термины и определения. – М.:Стандартинформ, 2008. 12 с.
4. Рекомендации по стандартизации Р 50.1.056-2005. Техническая защита информации. Основные термины и определения. – М.: Стандартинформ, 2006. – 20 с.
5. ГОСТ Р 59710-2022. Защита информации. Управление компьютерными инцидентами. Общие положения. – М.: Российский институт стандартизации, 2022. – 16 с.
6. Миланович Е.А., Селезнёв И.Л. Система анализа сетевого трафика для обеспечения безопасности сети // Молодой ученый. – 2020. – № 15 (305). – С. 86-89. – URL: https://moluch.ru/archive/305/68701/ (дата обращения: 21.03.2025).
7. ГОСТ Р ИСО/МЭК 27002-2021. Информационные технологии. Методы и средства обеспечения безопасности. Свод норм и правил применения мер обеспечения информационной безопасности– М.: Стандартинформ, 2021. – 74 с.
8. Мещеряков Р.В., Мельников С.Ю., Пересыпкин В.А., Хорев А.А. Перспективные направления применения технологий искусственного интеллекта при защите информации//Вопросы кибербезопасности. 2024. № 4(62). DOI:10.21681/2311-3456-2024-4- 02-12
9. Дартмутская конференция по искусственному интеллекту [Электронный ресурс]//Психология. – URL: https://psixologiya.org/blog/2504-dartmutskaya-konferenciya-po-iskusstvennomu-intellektu.html (дата обращения: 21.03.2025).
10. Что такое искусственный интеллект и его виды [Электронный ресурс] aisimple.ru.:https://aisimple.ru/22-chto-takoe-ii.html (дата обращения: 21.03.2025).
11. Усамов И.Р. Роль интеллектуальных информационных систем в современном мире / И.Р. Усамов, А.А. Албакова, А.А. Мустиев // Актуальные вопросы современной науки: теория, технология, методология и практика: Материалы Международной научно-практической онлайн-конференции, приуроченной к 60-ти летию член-корреспондента Академии наук ЧР, доктора технических наук, профессора Сайд-Альви Юсуповича Муртазаева, Грозный, 28 апреля 2021 года. – Грозный: Грозненский государственный нефтяной технический университет имени академика М.Д. Миллионщикова, 2021. – С. 267-272. – DOI 10.34708/GSTOU.CONF.2021.10.35.053. – EDN PMXCRD.
12. Рейнхард Клетте. Компьютерное зрение. Теория и алгоритмы /пер. с англ. А.А. Слинкин. М.: ДМК Пресс, 2019. – 506 с.: ил.
13. Прошина М.В. Современные методы обработки естественного языка: нейронные сети//Экономика строительства. 2022. № 5. https://cyberleninka.ru/article/n/sovremennye-metody-obrabotki-estestvennogo-yazyka-neyronnye-seti(дата обращения: 21.03.2025).
14. Tjandra, A., Sakti, S., & Nakamura, S. End-to-End Speech Recognition Sequence Training With Reinforcement Learning. IEEE Access,2019;7:79758-79769.
15. Чечнев В.Б. Использование систем поддержки принятия решений в автоматизации процессов принятия решений. Электронные библиотеки. 2025;28(1):163-183. DOI 10.26907/1562-5419-2025-28-1-163-183. EDN OGRDVD.
16. Pohl J. Artificial Superintelligence: Extinction or Nirvana? InterSymp-2015. № 27 P. 1–20.
17. Илюшин Л.С., Н.А. Торпашева. Технологии искусственного интеллекта как ресурс трансформации образовательных практик Ярославский педагогический вестник. – 2024. – № 3(138). С. 62-71. DOI 10.20323/1813-145X-2024-3-138-62. EDN ADWMMG.
18. Goodfellow Ian, Pouget-Abadie Jean, Mirza Mehdi, Xu Bing, Warde-Farley David, Ozair Sherjil, Courville Aaron, Bengio Yoshua Generative Adversarial Nets.Proceedings of the International Conference on Neural Information Processing Systems. 2014;2672–2680.
19. Баланов А.Н. Комплексная информационная безопасность: учебное пособие для вузов. – 2-е изд., Санкт-Петербург: Лань, 2025, - 400 с.
20. Доргушаова А.К., Довгаль В.А., Козлова Н.Ш., Козлов Р.С. Обзор использования технологий машинного обучения в обеспечении информационной безопасности данных: настоящее и будущее //Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. – 2024. – №1 (336). https://cyberleninka.ru/article/n/obzorispolzovaniya-tehnologiy-mashinnogo-obucheniya-v-obespechenii-informatsionnoy-bezopasnosti-dannyh-nastoyaschee-i-buduschee (дата обращения: 23.03.2025).
21. Mukkamala, S., Janoski, G.I., & Sung, A.HIntrusion detection using neural networks and support vector machines. Proceedings of the 2002 International Joint Conference on Neural Networks. IJCNN'02 (Cat. No.02CH37290) 2002;2:1702-1707
22. Lee, W., & Stolfo, S. (2000). A framework for constructing features and models for intrusion detection systems. ACM Transactions on Information and System Security (TISSEC), 3, 227 - 261.
23. Demertzis, K., & Iliadis, L.S. (2015). A Bio-Inspired Hybrid Artificial Intelligence Framework for Cyber Security.
24. Koloveas, P., Chantzios, T., Alevizopoulou, S., Skiadopoulos, S., & Tryfonopoulos, C. (2021). inTIME: A Machine Learning-Based Framework for Gathering and Leveraging Web Data to Cyber-Threat Intelligence. Electronics.
25. Rani, N., Saha, B., Maurya, V., & Shukla, S.K. (2024). TTPXHunter: Actionable Threat Intelligence Extraction as TTPs from Finished Cyber Threat Reports. Digital Threats: Research and Practice, 5, 1 - 19.
26. Orbinato, V., Barbaraci, M., Natella, R., & Cotroneo, D. (2022). Automatic Mapping of Unstructured Cyber Threat Intelligence: An Experimental Study: (Practical Experience Report). 2022 IEEE 33rd International Symposium on Software Reliability Engineering (ISSRE), 181-192.
27. Ajvad Haneef K., Madhu Kumar S.D. (2023). Deep Learning Techniques for Malware Detection: A Comprehensive Survey. 2023 International Conference on Computer, Electronics & Electrical Engineering & their Applications (IC2E3), 1-7.
28. Alomari, E., Nuiaa, R.R., Alyasseri, Z.A., Mohammed, H.J., Sani, N.S., Esa, M.I., & Musawi, B.A. (2023). Malware Detection Using Deep Learning and Correlation-Based Feature Selection. Symmetry, 15, 123.
29. He, Y., Kang, X., Yan, Q., & Li, E. (2024). ResNeXt+: Attention Mechanisms Based on ResNeXt for Malware Detection and Classification. IEEE Transactions on Information Forensics and Security, 19, 1142-1155.
30. Liu, A., Du, X., & Wang, N. (2021). Efficient Access Control Permission Decision Engine Based on Machine Learning. Secur. Commun. Networks, 2021, 3970485:1-3970485:11.
31. Afshar, M., Samet, S., & Usefi, H. (2021). Incorporating Behavior in Attribute Based Access Control Model Using Machine Learning. 2021 IEEE International Systems Conference (SysCon), 1-8.
32. Alqazzaz, A. (2024). Integrated Neutrosophic methodology and Machine Learning Models for Cybersecurity Risk Assessment: An exploratory study. International Journal of Neutrosophic Science.
33. Barlybayev, A., Sharipbay, A., Shakhmetova, G., & Zhumadillayeva, A. (2024). Development of a Flexible Information Security Risk Model Using Machine Learning Methods and Ontologies. Applied Sciences.
34. Nastou, P.E., Papataxiarhis, V., Moutsis, S.N., Tsintotas, K.A., Petroudis, G., Papastamatiou, N., Mesaritakis, C., Gasteratos, A., Vouyioukas, D., & Gavathas, P. (2024). An Efficient Highly-Secure AI-Based System for Incident Management in Critical Infrastructures. 2024 IEEE International Conference on Imaging Systems and Techniques (IST), 1-6.
35. Las-Casas, P.H., Kumbhare, A.G., Fonseca, R., & Agarwal, S. (2024). LLexus: an AI agent system for incident management. ACM SIGOPS Operating Systems Review, 58, 23 - 36.
36. Harshitha, T.S. (2024). Intrusion Detection and Prevention Using CNN-LSTM. International Journal of Science, Engineering and Technology.
37. Alhassan, S., Abdul-Salaam, G., Micheal, A., Missah, Y.M., Ganaa, E.D., & Shirazu, A.S. (2024). CFS-AE: Correlation-based Feature Selection and Autoencoder for Improved Intrusion Detection System Performance. J. Internet Serv. Inf. Secur., 14, 104-120.
38. Abualhaj, M.M., Abu-Shareha, A.A., & Rateb, R. (2025). Enhancing intrusion detection systems with hybrid HHO-WOA optimization and gradient boosting machine classifier. International Journal of Reconfigurable and Embedded Systems (IJRES).
39. Maheswaran N., Bose S., Gokulraj G., Anitha T., Shruthi T., Vijayaraj G. (2025). Intrusion Prevention System in SDN Environment for 6G Networks Using Deep Learning. 2025 6th International Conference on Mobile Computing and Sustainable Informatics (ICMCSI), 53-61.
40. Sreenivasa Reddy, G., & Shyama Chandra Prasad, G. (2023). Intrusion detection system using clustering algorithms of neural networks. International Journal of Advanced Research.
41. Sana, L., Nazir, M.M., Yang, J., Hussain, L., Chen, Y., Ku, C.S., Alatiyyah, M.H., Alateyah, S.A., & Por, L.Y. (2024). Securing the IoT Cyber Environment: Enhancing Intrusion Anomaly Detection With Vision Transformers. IEEE Access, 12, 82443-82468.
42. Ravichandra A., Shivakumara T. (2023). Detecting and Real Time Threat Analysis in Smart Grid Networks. Interantional journal of scientific research in engineering and management.
43. Almutairi, L. (2023). Deep Learning based Frameworks for Real-time Cyber Threat Analysis. Journal of Engineering and Applied Sciences.
44. Xie, L., Liao, Z., & Li, H. (2024). Research and Design of an Automated Security Event Analysis and Handling Framework Based on Threat Intelligence. Scalable Comput. Pract. Exp., 25, 1872-1881.
45. Mohammed, S.Y., & Aljanabi, M. (2024). From Text to Threat Detection: The Power of NLP in Cybersecurity. SHIFRA.
46. Karat, G., Kannimoola, J.M., Nair, N., Vazhayil, A., G, S.V., & Poornachandran, P. (2024). CNN-LSTM Hybrid Model for Enhanced Malware Analysis and Detection. Procedia Computer Science.
47. Beg, R., Pateriya, R.K., & Tomar, D.S. (2024). Design of an Iterative Method for Malware Detection Using Autoencoders and Hybrid Machine Learning Models. IEEE Access, 12, 175032-175055.
48. Iqubal, A., & Payal, A. (2024). Malware Detection Technique for Android Devices Using Machine Learning Algorithms. 2024 International Conference on Computing, Sciences and Communications (ICCSC), 1-6.
49. Pawar, J., Avhankar, M.S., Gupta, A., Barve, A., Patil, H., & Maranan, R. (2024). Enhancing Network Security: Leveraging Isolation Forest for Malware Detection. 2024 2nd International Conference on Advancement in Computation & Computer Technologies (InCACCT), 230-234.
50. Zhao, G., Li, X., & Li, H. (2024). A Trusted Authentication Scheme Using Semantic LSTM and Blockchain in IoT Access Control System. International Journal on Semantic Web and Information Systems.
51. Vincent, A., & Anitha, A. (2023). A Survey on Deep Learning Approach for Identity Recognition Using Finger Vein Biometrics. 2023 International Conference on Circuit Power and Computing Technologies (ICCPCT), 971-975.
52. Mounnan, O., Manad, O., Boubchir, L., Mouatasim, A.E., & Daachi, B. (2022). Deep Learning-Based Speech Recognition System using Blockchain for Biometric Access Control. 2022 Ninth International Conference on Software Defined Systems (SDS), 1-2.
53. Sato, R., Kawaguchi, H., & Nakatani, Y. (2025). Malcoda: Practical and Stochastic Security Risk Assessment for Enterprise Networks. IEEE Transactions on Dependable and Secure Computing, 22, 1383-1399.
54. Ngampunprasert, T., & Ketcham, M. (2024). Risk Analysis of Device Within the Organization that are Vulnerable to Cyber Security Attacks with Artificial Intelligence. 2024 IEEE International Conference on Cybernetics and Innovations (ICCI), 1-6.
55. Mohanraj, G., Nadesh, R.K., J, J., S, A., & Sathiyamoorthi, V. (2025). Monitoring Incident Response Using Real-Time Analytics. 2024 International Conference on IT Innovation and Knowledge Discovery (ITIKD), 1-8.
56. Anggraeni, R., Alzami, F., Nurhindarto, A., Budi, S., Megantara, R.A., Rizqa, I., & Muslih, M. (2025). Clustering IT Incidents Using K-Means: Improving Incident Response Time in Service Management. Sinkron.
57. Сафронов Д.А., Кацер Ю.Д., Зайцев К.С. Поиск аномалий с помощью автоэнкодеров.//International Journal of Open Information Technologies. 2022.№8. https://cyberleninka.ru/article/n/poisk-anomaliy-s-pomoschyu-avtoenkoderov (дата обращения: 13.07.2025).
58. Hossain, F., Hasan, K., Amin, A., & Mahmud, S. (2024). Quantum Machine Learning for Enhanced Cybersecurity: Proposing a Hypothetical Framework for Next-Generation Security Solutions. Journal of Technologies Information and Communication.
59. Faheem, M., Awais, M., Iqbal, A., & Zia, H. (2025). Enhancing It incident management with natural language processing and predictive analytics. International Journal of Science and Research Archive.
Рецензия
Для цитирования:
Потиенко Д.А., Чмыхало Д.С., Легонько О.Л. Технологии искусственного интеллекта в решении задач информационной безопасности. Вестник Дагестанского государственного технического университета. Технические науки. 2026;53(1):157-169. https://doi.org/10.21822/2073-6185-2026-53-1-157-169
For citation:
Potienko D.A., Chmykhalo D.S., Legonko O.L. Artificial Intelligence Technologies in Solving Information Security Problems. Herald of Dagestan State Technical University. Technical Sciences. 2026;53(1):157-169. (In Russ.) https://doi.org/10.21822/2073-6185-2026-53-1-157-169
Просмотров:
142
JATS XML
Послать статью по эл. почте 
