კიბერ ინციდენტების პროგნოზირება მანქანური სწავლების ალგორითმების გამოყენებით
ავტორი: Tinatin Mshvidobadze
ორგანიზაცია: Gori State University
კატეგორია:
საკვანძო სიტყვები: კიბერ ინციდენტი, კიბერუსაფრთხოება, მონაცემთა მოპოვება, მანქანური სწავლება
აბსტრაქტი. ნაშრომში წარმოდგენილია კიბერ ინციდენტებთან დაკავშირებული მეთოდები, სხვადასხვა მკვლევარების მიერ. მანქანური სწავლების ალგორითმები (DM-ML) მნიშვნელოვან როლს თამაშობს კიბერუსაფრთხოების1 სფეროში კიბერ ინციდენტების (SCI) პროგნოზირებასა და გამოვლენაში. ნაშრომში მოცემულია კარგად ცნობილია ML კლასიფიკატორები, მონაცემთა კლასიფიკაციისათვის. მონაცემები აღებულია სტრატეგიული და საერთაშორისო კვლევების ცენტრის (CSIS) ანგარიშის მიხედვით. განხილულია ცენტრალიზებული კლასიფიკატორის მიდგომა მსოფლიოს ექვსი კონტინენტის მონაცემების მიხედვით. ნაშრომში კლასიფიკატორების შედარების საფუძველზე მაღალი სიზუსტით პროგნოზირებულია, თუ რომელი ტიპის კიბერ ინციდენტი შეიძლება მოხდეს და
მსოფლიოს რომელ ნაწილში.
ბიბლიოგრაფია
1. Li Y., and Liu Q., 2021, “A comprehensive review study of cyber-attacks and cyber security; Emerging trends and recent developments,” Energy Reports, vol. 7, pp. 8176–8186;
2. Hejase H., Kazan H., Hejase A, and Moukadem I, 2021, “Hejase et al. Cyber Security paper,” Computer and Information Science, vol. Vol. 14, pp. 10–25, doi: 10.5539/cis. v14n2p10;
3. Hodgson Q,, Clark-Ginsberg A., Haldeman Z., Lauland, A and Mitch I.,2022, Managing Response to Significant Cyber Incidents: Comparing Event Life Cycles and Incident Response Across Cyber and Non Cyber Events. Santa Monica, CA: RAND Corporation, doi: 10.7249/RRA1265-4;
4. Handa A., Sharma A., and Shukla S., 2019, “Machine learning in cybersecurity: A review,” WIREs Data Mining and Knowledge Discovery, vol. 9, no. 4, p. e1306, doi: 10.1002/widm.1306;
5. Mumtaz G., Akram S., Waseem M., Iqbal M., Ashraf U., Almarhabi K., Mohammed A., and Adel A., 2017, “Classification and Prediction of Significant Cyber Incidents (SCI) using Data Mining and Machine Learning (DM-ML)“.
6. Alqahtani H,. Sarker I., Kalim, A., Minhaz Hossain M., Ikhlaq S., and Hossain 2020, “Cyber Intrusion Detection Using Machine Learning Classification Techniques,” in Computing Science, Communication and Security, Singapore, pp. 121–131.
7. Bhusal N., Gautam M., and Benidris M., 2021, “Detection of Cyber Attacks on Voltage Regulation in Distribution Systems Using Machine Learning,” IEEE Access, vol. 9, pp. 40402–40416, doi: 10.1109/ACCESS.2021.3064689
8. Bapat R., et al., 2018, “Identifying malicious botnet traffic using logistic regression,” in Systems and Information Engineering Design Symposium (SIEDS), pp. 266–271. doi: 10.1109/SIEDS.2018.8374749;
9. Ustebay S., Turgut Z., and Aydin M., “Intrusion Detection System with Recursive Feature Elimination by Using Random Forest and Deep Learning Classifier,” in 2018 International Congress on Big Data, Deep Learning and Fighting Cyber Terrorism (IBIGDELFT), Dec. 2018, pp. 71–76. doi: 10.1109/IBIGDELFT.2018.8625318.;
10. Chayal N., and Patel N., 2021, “Review of Machine Learning and Data Mining Methods to Predict Different Cyberattacks,” in Data Science and Intelligent Applications, Singapore, pp. 43–51;
11. Biswas B., Mukhopadhyay A., Bhattacharjee S., Kumar A., and Delen D., 2022, “A text-mining based cyber-risk assessment and mitigation framework for critical analysis of online hacker forums,” Decision Support Systems, vol. 152, p. 113651, doi: 10.1016/j.dss.2021.113651;
12. Souri A., and Hosseini R., 2018, “A state-of-the-art survey of malware detection approaches using data mining techniques,” Hu-man-centric Computing and Information Sciences, vol. 8, no. 1, p. 3, doi: 10.1186/s13673-018-0125-x;
13.Fang X., Xu M., and Zhao P., 2019, “A deep learning framework for predicting cyber-attacks rates,” EURASIP Journal on Information Security, doi: 10.1186/s13635-019-0090-6;
14. “Significant Cyber Incidents (SCIs).” [Online]. Available: https://www.csis.org/programs/strategictechnologies-program/significant-cyber-incidents;
15. Xu S., 2018, “Bayesian Naïve Bayes classifiers to text classification,” J. Inf. Sci., vol. 44, no. 1, pp. 48–59, doi: 10.1177/0165551516677946.
Menu