Axborot texnologiyalari, tarmoqlar va telekommunikatsiyalar

3.
 
Применение методов машинного обучения для решения задач 
информационной безопасности 
Обнаружение сетевых атак и вторжений является приоритетом 
информационной безопасности в любой организации, чьи личные данные 
нуждаются в защите от несанкционированного доступа. Слабой стороной 
модельно-ориентированных методов является отсутствие реакции на 
принципиально новые виды атак. При накоплении больших объемов 
обучающей выборки часть данных может оказаться неактуальной или 
вредной. В таких случаях высокие результаты показывают неуправляемые 
системы, способные «забывать» некоторые данные и выводы, сделанные на 
обучающей выборке. 
Анализ трафика может привести к распознаванию потенциальных угроз 
на ранней стадии работы системы. 
Методологии машинного обучения, основанные на обучении с 
учителем, позволяют более точно классифицировать вид угрозы, что 
помогает подобрать наиболее подходящий инструмент для борьбы с 
вторжением. Кроме того, такие методы более устойчивы к статистическим 
аномалиям, что отражается на стабильности работы системы [7]. Гибкость 
сетевой защиты от вторжений может быть достигнута за счет использования 
гибридных систем, включающих элементы различных методологий 
обучения, или двухуровневой обработки данных с последующим анализом 
результатов. 
Помимо внешних атак и вторжений, угрозу представляют внутренние 
угрозы, такие как вредоносное ПО или вирусы. Такие программы нацелены 
на несанкционированный доступ к данным и использование ресурсов 
компьютера и системы, автоматическое распространение и хранение 
вредоносных данных. 
Вирусы могут длительное время не проявлять никой активности, лишь 
время от времени вести сбор информации, работу с ресурсами системы и 
сетью. 

---

International scientific conference "INFORMATION TECHNOLOGIES, NETWORKS AND 
TELECOMMUNICATIONS" ITN&T-2022 Urgench, 2022y April 29-30 
585 
Вывод 
Вышесказанное означает, что анализ сетевого трафика может 
длительное время не приводить к положительному результату. Для 
обнаружения внутренних угроз требуется регулярный анализ всех 
показателей системы, объемы которых достигают колоссальных размеров. 
Для хранения и манипуляции такого числа прецедента могут подойти такие 
системы работы с большими многомерными данными, как Hadoop, OLAP- 
технологии.