ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В КИБЕРЗАЩИТЕ Текст научной статьи по специальности «Компьютерные и информационные науки»

экономическое поведение и результаты. Аналогичным образом, алгоритмы компьютерного зрения могут анализировать визуальные данные, такие как спутниковые изображения или финансовые диаграммы, для извлечения ценной информации об экономической деятельности, инфраструктуре и условиях окружающей среды. Интегрируя эти разнообразные источники данных в эконометрические модели, экономисты могут получить более полное понимание экономических явлений и повысить точность своих прогнозов и политических рекомендаций.

Однако интеграция машинного обучения в эконометрику также создает проблемы и ограничения, которые необходимо решить. Одной из основных проблем является интерпретируемость моделей машинного обучения, в которых точность прогнозирования часто отдается предпочтение прозрачности модели. В отличие от традиционных эконометрических моделей, основанных на явных математических уравнениях, модели машинного обучения могут быть непрозрачными и трудными для интерпретации, что усложняет экономистам понимание основных механизмов, лежащих в основе прогнозов. Кроме того, алгоритмы машинного обучения могут быть склонны к переобучению, особенно при применении к небольшим или зашумленным наборам данных, что приводит к чрезмерно оптимистичным оценкам и ненадежным прогнозам. Решение этих проблем требует тщательной проверки модели, тестирования ее надежности и разработки интерпретируемых методов машинного обучения, адаптированных к конкретным требованиям эконометрического анализа.

Список использованной литературы:

1. Wooldridge, J. M. (2015). Introductory Econometrics: A Modern Approach. Cengage Learning.

2. Varian, H. R. (2014). Big Data: New Tricks for Econometrics. Journal of Economic Perspectives, 28(2), 3-27.

3. Athey, S., & Imbens, G. W. (2019). Machine Learning Methods That Economists Should Know About. Annual Review of Economics, 11(1), 685-725.

© Ягмыров Х., Атаева Э., 2024

УДК 004.89

Ярашов У.

Студент факультета коммунальной инфраструктуры и инженерных систем Институт инженерно-технических и транспортных коммуникаций Туркменистана

Ашхабад, Туркменистан Гапбаров М.

Студент факультета цифровых технологий и кибербезопасности Институт инженерно-технических и транспортных коммуникаций Туркменистана

Ашхабад, Туркменистан Аллануров С.

Преподаватель факультета цифровых технологий и кибербезопасности Институт инженерно-технических и транспортных коммуникаций Туркменистана

Ашхабад, Туркменистан Арджиков Д.

Студент факультета цифровых технологий и кибербезопасности Институт инженерно-технических и транспортных коммуникаций Туркменистана

Ашхабад, Туркменистан

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В КИБЕРЗАЩИТЕ Аннотация

Без значительной автоматизации люди не могут справиться со скоростью процессов и объемом

данных, которые будут использоваться для защиты киберпространства. Однако сложно разработать программное обеспечение с традиционными фиксированными алгоритмами (жестко запрограммированной логикой на уровне принятия решений) для эффективной защиты от динамически развивающихся атак в сетях. С этой ситуацией можно справиться, применяя методы искусственного интеллекта, которые обеспечивают гибкость и способность к обучению программного обеспечения. В данной статье представлен краткий обзор приложений искусственного интеллекта в киберзащите и анализируются перспективы повышения возможностей киберзащиты за счет повышения интеллекта защитных систем.

Ключевые слова

Прикладной искусственный интеллект; интеллектуальные методы киберзащиты; нейронные сети в киберзащите; экспертные системы в киберзащите.

Изучив имеющиеся документы о приложениях искусственного интеллекта в киберзащите, можно придти к выводу, что полезные приложения уже существуют. Они относятся, прежде всего, к применению искусственных нейронных сетей в защите периметра и некоторых других областях киберзащиты. С другой стороны - стало очевидно, что многие проблемы киберзащиты можно успешно решить только при использовании методов искусственного интеллекта. Например, при принятии решений необходимо широкое использование знаний, а интеллектуальная поддержка принятия решений является одной из еще нерешенных проблем киберзащиты (1, с. 1822-1824).

Искусственный интеллект (ИИ) как область научных исследований почти так же стар, как и электронные компьютеры. Возможность создания устройств/программного обеспечения/систем, более интеллектуальных, чем люди, была «на горизонте» с первых дней существования искусственного интеллекта (2, с. 2362-2363). В семидесятых годах прошлого века, когда компьютерные шахматы были на уровне мастеров, казалось практически невозможным написать программу, способную победить чемпиона мира. Однако это произошло раньше, чем ожидалось. Этому было три причины: увеличение вычислительной мощности, разработка хорошего алгоритма поиска (который можно использовать во многих приложениях, помимо шахмат) и хорошо организованные базы знаний, включающие все доступные шахматные знания (прежде всего, открытие и завершение игры). По сути, шахматную задачу можно было решить, поскольку это была специфическая интеллектуальная задача, принадлежащая так называемому узкому искусственному интеллекту. Другой случай - перевод с одного языка на другой, требующий общего искусственного интеллекта. В шестидесятые годы прошлого столетия, особенно после работ Н. Хомского в области структурной лингвистики, ожидалось, что проблема перевода на естественный язык будет решена в ближайшее время. Пока этого не произошло, хотя успех виден в некоторых конкретных приложениях, таких как, например, лингвистика искусственного интеллекта Google. Причина в том, что для этого требуется общий искусственный интеллект - обладание и способность обрабатывать большие объемы знаний во всех областях, связанных с человеческой деятельностью.

Планируя будущие исследования, разработку и применение методов искусственного интеллекта в киберзащите, необходимо различать ближайшие цели и долгосрочные перспективы. Существует множество методов искусственного интеллекта, непосредственно применимых в киберзащите, и существуют непосредственные проблемы киберзащиты, которые требуют более разумных решений, чем те, которые реализованы в настоящее время.

В нынешней ситуации, когда быстро растет интеллект вредоносных программ и изощренность кибератак, разработка интеллектуальных методов киберзащиты неизбежна. Опыт борьбы с DDoS-атаками показал, что при использовании интеллектуальных методов, защита от крупномасштабных атак может быть успешной при весьма ограниченных ресурсах.

Анализ публикаций показывает, что результаты искусственного интеллекта, наиболее широко применимые в киберзащите, дают исследования в области искусственных нейронных сетей (3, с. 949-951). Применение нейронных сетей продолжится в сфере киберзащиты. Существует также острая необходимость применения интеллектуальных методов киберзащиты в ряде областей, где нейронные сети не являются самой подходящей технологией. Этими областями являются поддержка принятия решений, осведомленность о ситуации и управление знаниями.

Неясно, насколько быстро будет развиваться общий искусственный интеллект, но существует угроза того, что новый уровень искусственного интеллекта может быть использован злоумышленниками, как только он станет доступен. Очевидно, что новые разработки в области понимания, представления и обработки знаний (4, с. 1-3), а также в машинном обучении значительно повысят возможности киберзащиты систем, которые будут их использовать. Список использованной литературы:

1. Stahl B., Elizondo D., Carroll-Mayer M., Zheng Y., Wakunuma K. Ethical and Legal Issues of the Use of Computational Intelligence Techniques in Computer Security and Computer Forensics. In: WCCI 2010 IEEE World Congress on Computational Intelligence, 2010, pp. 1822-1829.

2. Stopel D., Boger Z., Moskovitch R., Shahar Y., Elovici Y. Application of artificial neural networks techniques to computer worm detection. International Joint Conference on Neural Networks (IJCNN), 2006, pp. 2362-2369.

3. Bitter D. A., Elizondo T., Watson. Application of Artificial Neural Networks and Related Techniques to Intrusion Detection. WCCI 2010 IEEE World Congress on Computational Intelligence. CCIB, 2010, pp. 949-954.

4. Lorents P., Tyugu E. Lattices of knowledge systems. Proc. International Conference on Artificial Intelligence Proc. W0RLDC0MP'09: IC-AI'2009, 2009, pp. 1-5.

© Ярашов У., Гапбаров М., Аллануров С., Арджиков Д., 2024