Интеллектуальная модель управления киберрисками в критической информационной инфраструктуре финансового сектора на основе импульсных нейронных сетей

Цель. Разработка модели управления киберрисками в критической информационной инфраструктуре финансового сектора, базирующейся на применении импульсных нейронных сетей и ориентированной на повышение обоснованности, оперативности принятия решений при выявлении аномалий сетевого трафика.

Задачи. Провести анализ существующих подходов к управлению инцидентами информационной безопасности в финансовых организациях; разработать структуру интеллектуальной системы поддержки принятия решений для выявления сетевых атак; определить информативные признаки сетевой активности и способы их представления в импульсной форме; выполнить экспериментальную оценку эффективности предложенного подхода в контуре управления безопасностью.

Методология. В процессе исследования применены методы машинного обучения и импульсных нейронных сетей. Обработка сетевых событий реализована с использованием различных архитектур SNN, включая сверточные и рекуррентные модели. Представление входных данных основано на преобразовании параметров сетевого трафика в импульсные последовательности с применением вероятностных и временных методов кодирования. Для оценки результатов использованы стандартные метрики классификации; дополнительно проанализирован вопрос о том, каким образом полученные значения влияют на качество принимаемых решений.

Результаты. Разработана структура интеллектуальной системы, которая может быть интегрирована в контур управления информационной безопасностью финансовой организации. В системе использованы специализированные модели импульсных нейронных сетей для анализа различных типов сетевых угроз. Эксперименты показали, что применение SNN повышает точность выявления атак и снижает количество ложных срабатываний. В результате уменьшается нагрузка на операторов и улучшается эффективность процессов реагирования.

Выводы. Полученные результаты свидетельствуют о целесообразности применения импульсных нейронных сетей при выполнении задач управления кибербезопасностью финансовых организаций. Разработанный подход может быть интегрирован в системы поддержки принятия решений, в которых он способствует повышению устойчивости критической информационной инфраструктуры и снижению последствий киберугроз.

1. Rahman M., Al Shakil S., Mustakim M. R. A survey on intrusion detection systems in IoT networks // Cyber Security and Applications. 2025. Vol. 3. Article 100082. https://doi.org/10.1016/j.csa.2024.100082

2. Hozouri A., Mirzaei A., Effatparvar M. A comprehensive survey on intrusion detection systems with advances in machine learning, deep learning and emerging cybersecurity challenges // Discover Artificial Intelligence. 2025. Vol. 5. No. 1. Article 314. https://doi.org/10.1007/s44163-025-00578-1

3. Zhang Y., Muniyandi R. C., Qamar F. A review of deep learning applications in intrusion detection systems: Overcoming challenges in spatiotemporal feature extraction and data imbalance // Applied Sciences. 2025. Vol. 15. No. 3. Article 1552. https://doi.org/10.3390/app15031552

4. Lampe B., Meng W. A survey of deep learning-based intrusion detection in automotive applications // Expert Systems with Applications. 2023. Vol. 221. Article 119771. https://doi.org/10.1016/j.eswa.2023.119771

5. Xu Z., Wu Y., Wang S. et al. Deep learning-based intrusion detection systems: A survey // Journal of the ACM 2025. Vol. 1. No. 1. Article 1. https://doi.org/10.48550/arXiv.2504.07839

6. Arnob A. K. B., Chowdhury R. R., Chaiti N. A., Saha S., Roy A. A comprehensive systematic review of intrusion detection systems: Emerging techniques, challenges, and future research directions // Journal of Edge Computing. 2025. Vol. 4. No. 1. P. 73–104. https://doi.org/10.55056/jec.885

7. Mohammed A. A. A. Improving intrusion detection systems by using deep learning methods on time series data // Engineering, Technology and & Applied Science Research. 2025. Vol. 15. No. 1. P. 19267–19272. https://doi.org/10.48084/etasr.9417

8. Shone N., Ngoc T. N., Phai V. D., Shi Q. A deep learning approach to network intrusion detection // IEEE Transactions on Emerging Topics in Computational Intelligence. 2018. Vol. 2. No. 1. P. 41–50. https://doi.org/10.1109/TETCI.2017.2772792

9. Tang T. A., Mhamdi L., McLernon D., Zaidi S. A., Ghogho M. DeepIDS: Deep learning approach for intrusion detection in software defined networking // Electronics. 2020. Vol. 9. No. 9. Article 1533. https://doi.org/10.3390/electronics9091533

10. Yin C., Zhu Y., Fei J., He X. A deep learning approach for intrusion detection using recurrent neural networks // IEEE Access. 2017. Vol. 5. P. 21954–21961. https://doi.org/10.1109/ACCESS.2017.2762418

11. Котенко И. В. Искусственный интеллект для кибербезопасности: новая стадия противоборства в киберпространстве // Искусственный интеллект и принятие решений. 2024. № 1. С. 3–19. https://doi.org/10.14357/20718594240101

12. Ичетовкин Е. А., Котенко И. В. Модели и алгоритмы защиты систем обнаружения вторжений от атак на компоненты машинного обучения // Computational Nanotechnology. 2025. Т. 12. № 1. С. 17–25. https://doi.org/10.33693/2313-223X-2025-12-1-17-25

13. Новикова Е. С., Федорченко Е. В., Котенко И. В., Холод И. И. Аналитический обзор подходов к обнаружению вторжений, основанных на федеративном обучении: преимущества использования и открытые задачи // Информатика и автоматизация. 2023. Т. 22.№ 5. С. 1034–1082. https://doi.org/10.15622/ia.22.5.4

14. Труфанов В. Н., Огарок А. Л., Нестеров С. Г. Исследование сетевых систем обнаружения вторжений, использующих методы машинного обучения // Информатизация и связь. 2023. № 4. С. 59–72. https://doi.org/10.34219/2078-8320-2023-14-4-59-72

15. Ичетовкин Е. А. Исследование устойчивости систем обнаружения вторжений с компонентами машинного обучения к состязательным атакам // Вестник Астраханского госу дарственного технического университета. Серия: Управление, вычислительная техника и информатика. 2025. № 2. С. 76–87. https://doi.org/10.24143/2072-9502-2025-2-76-87

16. Moustafa N., Slay J. UNSW-NB15: A comprehensive data set for network intrusion detection systems (UNSW-NB15 network data set) // Military communications and information systems conf. (MilCIS). (Canberra, November 10-12, 2015). New York, NY: IEEE, 2015. P. 1–6. https://doi.org/10.1109/MilCIS.2015.7348942

17. Tavanaei A., Ghodrati M., Kheradpisheh S. R., Masquelier T., Maida A. Deep learning in spiking neural networks // Neural Networks. 2019. Vol. 111. P. 47–63. https://doi.org/10.1016/j.neunet.2018.12.002

18. Lin T.-Y., Goyal P., Girshick R., He K., Dollár P. Focal loss for dense object detection // Proc. of the IEEE Int. conf. on computer vision (ICCV). (Venice, October 22–29, 2017). New York, NY: IEEE, 2017. P. 2980–2988. https://doi.org/10.1109/ICCV.2017.324

19. Paszke A., Gross S., Massa F. et al. PyTorch: An imperative style, high-performance deep learning library // Proc. 33rd Int. conf. on neural information processing systems (NeurIPS 2019). (Vancouver, BC, December 8–14, 2019). New York, NY: ACM, 2019. P. 8024–8035. URL: https://proceedings.neurips.cc/paper_files/paper/2019/file/bdbca288fee7f92f2b-fa9f7012727740-Paper.pdf (дата обращения: 15.04.2026).

20. Eshraghian J. K., Ward M., Neftci E. O. et al. Training spiking neural networks using lessons from deep learning // Proceedings of the IEEE. 2023. Vol. 111. No. 9. P. 1016–1054. https://doi.org/10.1109/JPROC.2023.3308088

21. McKinney W. Data structures for statistical computing in Python // Proc. of the 9th Python in science conf. (SciPy 2010). (Austin, TX, June 28 – July 03, 2010). Austin, TX: SciPy, 2010. P. 51–56. https://doi.org/10.25080/Majora-92bf1922-00a