АНАЛІЗ ІНДИКАТОРІВ ЗАГРОЗ ІНФОРМАЦІЙНІЙ БЕЗПЕЦІ В ІНФОРМАЦІЙНО-ТЕЛЕКОМУНІКАЦІЙНИХ СИСТЕМАХ ЗА РЕЗУЛЬТАТАМИ ЗАСТОСУВАННЯ SIEM-СИСТЕМ
DOI:
https://doi.org/10.36994/2788-5518-2024-01-07-11Ключові слова:
SIEM, індикатори, ризики, інформаційна безпека, багатофакторне оцінювання, державний сектор, аналізАнотація
У статті проведено аналіз особливостей аналітичної обробки інформації для виявлення загроз інформаційній безпеці в інформаційно-телекомунікаційних системах за результатами застосування SIEM-систем. Зокрема, розглянуто актуальну проблему зростання кіберзагроз у світі, що посилюється з розвитком технологій штучного інтелекту. Наголошено на необхідності впровадження передових методів аналітики для ефективного виявлення загроз та оцінки ризиків, пов'язаних з інформаційною безпекою. Особливу увагу приділено впливу кіберзагроз на нацбезпеку держав, зокрема на державний сектор, який є однією з основних мішеней для кібератак. Відзначено, що кібератаки на держсектор можуть мати значні негативні наслідки, включаючи порушення функціонування критичної інфраструктури, витік конфіденційної інформації та підрив довіри до урядових органів. Застосовано поняття інфологічної моделі факторів, що дає змогу оцінити рівень захищеності інформаційно-телекомунікаційних систем від кіберзагроз за даними від SIEM. Модель включає аналіз різноманітних чинників, що можуть впливати на безпеку систем: технічних, організаційних, людських. У результаті застосування моделі можна отримати комплексну картину стану безпеки системи та виявити слабкі місця, які потребують додаткової уваги. Кіберзагрози класифіковано на три рівні: рівень соціальної інженерії, мережевий рівень та рівень кінцевої точки. Для кожного із цих рівнів надано детальний опис індикаторів, що дають змогу виявити загрози. Наголошено на важливості аналізу індикаторів ризиків інформаційної безпеки та окреслено перспективи подальших досліджень, спрямованих на формалізацію системи індикаторів загроз і багатофакторного оцінювання. Установлено ієрархію індикаторів загроз, яка базується на чинниках їх появи, що дає змогу ефективніше управляти безпекою інформаційно-телекомунікаційних систем та своєчасно реагувати на нові виклики.
Посилання
Verizon. 2024 Data Breach Investigations Report. URL: https://www.verizon.com/business/resources/T500/reports/2024-dbir-data-breach-investigations-report.pdf
РНБО. Стратегія кібербезпеки України (2021–2025 роки). URL: https://www.rnbo.gov.ua/files/2021/STRATEGIYA%20KYBERBEZPEKI/proekt%20strategii_kyberbezpeki_Ukr.pdf
Gómez, E.C.F., Almeida, O.X.B., & Arévalo Gamboa, L.M. (2022). Analysis of centralized computer security systems through the alienvault ossim tool. *[Espacios: Revista de Gestión Empresarial y Perspectivas Tecnológicas (https://dx.doi.org/10.46480/esj.6.1.181)*, 6(1).
Писарчук О.О. Оцінювання ефективності інформаційних систем за вектором критеріїв. Збірник наукових праць ЖВІ НАУ. 2010. Вип. 3. С. 117–123.
Писарчук О.О., Соколов К.О., Гудима О.П. Розроблення багатокритеріальної методики ситуаційного управління структурою і параметрами системи забезпечення інформаційної безпеки. Збірник наукових праць Центру воєнно-стратегічних досліджень Національного університету оборони України імені Івана Черняховського. 2016. № 3. С. 24–32.
P. Yuan, Y. Chen, H. Jin, L. Huang. MSVM-kNN: Combining SVM and k-NN for Multi-class Text Classification. *Proceedings of the 2008 IEEE World Congress on Services*, (1), 384–389. https://dx.doi.org/10.1109/WSCS.2008.36
H. Xiao, F. Sun, Y. Liang. A Fast Incremental Learning Algorithm for SVM Based on K Nearest Neighbors. *Proceedings of the 2010 International Conference on Artificial Intelligence and Computational Intelligence (AICI)*, (1), 157–161. https://dx.doi.org/10.1109/AICI.2010.207
S. Lahmiri, R. Saadé, D. Morin, F. Nebebe. Learning Analytics based on Bayesian Optimization of Support Vector Machines with Application to Student Success Prediction in Mathematics Course. *Proceedings of the 2020 International Conference on Cloud Technologies and Applications (CloudTech)*, (1), 1–4. https://dx.doi.org/10.1109/CloudTech49835.2020.9365915
Pacheco W.D.N., López F.R.J. Tomato classification according to organoleptic maturity (coloration) using machine learning algorithms K-NN, MLP, and K-Means Clustering. *Proceedings of the 2019 24th Symposium on Signal Processing, Images and Computer Vision (STSIVA)*, (1), 1–6. https://dx.doi.org/10.1109/STSIVA.2019.8730232

