МАТЕМАТИЧЕСКИЕ МОДЕЛИ ПРОГНОЗИРОВАНИЯ КИБЕРАТАК НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Аннотация

Введение. Современные условия развития цифровой экономики выдви-гают новые требования, направленные на сохранение экономического суверенитета. По-вышенный уровень кибератак побуждает перейти от реактивной к проактивной защите, построенной на применении математических методов и моделей. Интеграция таких моде-лей в национальные и корпоративные системы безопасности становится инвестицией в устойчивость экономики, защиту ВВП и поддержание общественного доверия к цифровым экосистемам. Материалы и методы. В данной статье рассматривается проблема прогнози-рования фишинговых и DDoS-атак с использованием методов машинного обучения, в част-ности нейронных сетей. Автором предложена архитектура трехслойного перцептрона, ко-торый обучается на основе реальных данных о кибератаках. В работе исследуются различ-ные функции активации, включая Relu, Tanh, Sigmoid, ELU для определения их влияния на эффективность модели. Результаты исследования. Проведена сравнительная оценка по-строенных моделей, демонстрирующая их производительность и точность в прогнозирова-нии атак, что позволяет выделить наиболее эффективные подходы для защиты информа-ционных систем. Результаты исследования могут быть полезны для специалистов в обла-сти кибербезопасности и разработки систем защиты от угроз. Обсуждение и заключение. Проведенные эксперименты показали, что каждая из функций активации имеет свои пре-имущества и недостатки, что позволяет выбрать наиболее подходящую в зависимости от конкретной задачи. В статье построены графики, на которых проведено сравнение истори-ческих данных с прогнозными значениями, позволившие наглядно оценить качество пред-сказаний. На основе метрик MAE и MSE произведена оценка качества прогнозирования кибератак с помощью таких используемых в модели перцептрона активационных функций, как Relu, Tanh, Sigmoid, ELU. Данный подход позволяет провести количественную оценку прогнозных данных, что обеспечивает объективное сравнение эффективности моделей.