Axborot texnologiyalari, tarmoqlar va telekommunikatsiyalar

РОЛЬ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В 
ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ 
Халмуратов О., Рузметов А. 
Ургенческий филиал Ташкентского университета Информационных 
технологий имени Мухаммада ал-Хорезми. 
 
Аннотация: 
в статье описаны и проанализированы основные проблемы и 
задачи, возникающие при рассмотрении вопросов информационной 
безопасности. Исследуются различные методологии машинного обучения, 
рассматриваются их основные особенности, преимущества и недостатки. 
Описаны принципы и схемы обучения с учителем и без него, искусственной 
нейронной сетью и искусственной иммунной системой. Рассмотрены 
проблемы обнаружения внешних сетевых вторжений и внутренних угроз, а 
также способы решения этих системных проблем некоторыми методами 
машинного обучения. Представлена оценка и обоснование использования 
конкретных методов. 
Ключевые слова: 
информационная безопасность, искусственный интеллект, 
кибербезопасность, машинное обучение, угрозы. 
1.
 
Введение 
Исследования в области машинного обучения в настоящее время 
востребованы в различных сферах деятельности. Системы, использующие 
алгоритмы машинного обучения, применяются на сегодняшний день в 
различных прикладных сферах: от распределения сообщений в электронной 
почте до международной банковской деятельности. Соответственно и 
необходимость в защите информации от различных видов атак возросла в 
разы [1]. Необходимость гарантированной безопасности требует внимания 
как к организационным, так и к техническим мерам, обеспечивающим 
защиту от вредоносных противоправных действий. 
2.
 
Машинное обучение 
Современные методы защиты от несанкционированного доступа и 
внешнего воздействия основаны на контроле и мониторинге сетевой 

---

International scientific conference "INFORMATION TECHNOLOGIES, NETWORKS AND 
TELECOMMUNICATIONS" ITN&T-2022 Urgench, 2022y April 29-30 
583 
активности, позволяют выявлять странности трафика и анализировать 
статистику доступа к серверам. Технологии машинного обучения 
способствуют максимально эффективно использовать полученные данные о 
безопасности и в связи с этим получают все большее распространение в 
сфере информационной безопасности [2]. 
Существует множество методов машинного обучения. Самыми 
популярными являются 2 вида 
классического Machine Learning: 
2.1.
 
Обучение с учителем 
Обучение с учителем — в процессе своей работы обученная система 
или сеть получает набор входных данных - прецеденты или обучающую 
выборку. Случаи представляют собой набор данных с заранее заданным 
рейтингом или классификацией. В процессе обучения система устанавливает 
связь между элементами обучающей выборки и их оценкой. После обучения 
качество проверяется с помощью тестовой выборки. Технология обучения 
имеет ряд особенностей, недостатков и преимуществ, которые влияют на 
класс задач, подходящих для данной методики [3]. 
Преимущества обучения с учителем: 
Высокая устойчивость к шумам и помехам – случайные данные и ошибки 
легко фильтруются и отсеиваются еще на этапе анализа предметной 
области; 
Эффективная классификация объектов; 
Недостатки обучения с учителем: 
Большие объемы обучающей выборки – высокое качество работы 
системы достигается при значительных объемах обучающей выборки; 
Возникновение ошибок при оценке новых данных, схожие с которыми не 
представлены в обучающей выборке; 
Необходимость точной оценки прецедентов из обучающей выборки; 
2.2
 
Обучение без учителя 
Обучение без учителя –тут отсутствует оценки прецедентов 
обучающей выборки. Именуется так же спонтанным обучением. В связи с 
биологической правдоподобностью, позволяет эффективно находить 
внутренние взаимосвязи без коррекции извне при помощи обратной связи. 
Используются для визуализации сложных данных [4]. 
Преимущества обучения без учителя: 
Высокое качество работы системы при малых размерах обучающей 
выборки или ее полном отсутствие; 
Эффективная кластеризация объектов и нахождение неочевидных и 
сложных взаимосвязей между объектами; 
Визуализация данных (обычно двухмерная) для дальнейшего анализа 
экспертами; 
Значительное снижение разрядности данных; 
При этом, обучение без учителя обладает рядом недостатков: 

---

International scientific conference "INFORMATION TECHNOLOGIES, NETWORKS AND 
TELECOMMUNICATIONS" ITN&T-2022 Urgench, 2022y April 29-30 
584 
Сложности при классификации объектов – вызваны отсутствием 
обратной связи и поправки оценки системы; 
Эффективная кластеризация объектов и нахождение неочевидных и 
сложных взаимосвязей между объектами [5]. 
2.3
 
Искусственная иммунная система 
Искусственная 
иммунная 
система 
представляет 
собой 
автоматизированную компьютерную систему, имитирующую иммунную 
систему позвоночных. Используется для решения прикладных задач модели, 
принципов, механизмов и функций иммунной системы. Основан на теориях 
отрицательного отбора, клонального отбора и иммунных сетей. Включается в 
себя основные механизмы – обучение, запоминание, ассоциативный поиск 
схожих данных и реакция на данные, не имущие аналогов в обучающей 
выборке [6]. Чаще проводят аналогии с обучением без учителя, что позволяет 
говорить о соответствующих преимуществах и недостатках.