Сравнительный анализ гибридных интеллектуальных моделей обнаружения нарушений критической информационной инфраструктуры финансового сектора на синтетических данных

В.А. Абаев; Е.С. Будаев; И.И. Хасанов

doi:10.18127/j19997493-202605-03

Сравнительный анализ гибридных интеллектуальных моделей обнаружения нарушений критической информационной инфраструктуры финансового сектора на синтетических данных

В.А. Абаев¹, Е.С. Будаев², И.И. Хасанов³

научная статья УДК 004.89:[004.056:336] Страницы: 19-24 doi.org/10.18127/j19997493-202605-03

^1,2,3 Финансовый университет при Правительстве РФ (Москва, Россия)

Ключевые слова: Нечёткие нейронные сети роевой интеллект генетические алгоритмы синтетические данные обнаружение аномалий критическая информационная инфраструктура финансовый сектор

Аннотация

Постановка проблемы. В работе исследуются процессы обеспечения кибербезопасности критической информационной инфраструктуры финансового сектора в условиях неопределенности и дефицита реальных данных об инцидентах.

Цель. Разработать, показать программную реализацию и провести сравнительный анализ гибридных интеллектуальных моделей обнаружения сетевых атак, основанных на методах нечёткой логики с различными механизмами оптимизации: адаптивной нейро-нечёткой сетью (ANFIS), алгоритмом роя частиц (PSO) и генетическим алгоритмом (GA).

Результаты. Применены методы теории нечётких множеств, мягких вычислений, роевого интеллекта, эволюционных алгоритмов, агентного моделирования для генерации синтетических данных и статистического анализа качества классификации. Спроектирован и реализован пятипараметрический синтетический датасет, имитирующий ключевые векторы угроз: DDoS-атаки, скрытую утечку данных и брутфорс-атаки на банковское API. Разработаны модели классификации угроз и проведён их сравнительный анализ применительно к задачам защиты критической информационной инфраструктуры в финансовом секторе.

Практическая значимость. Полученные результаты можно применить при проектировании интеллектуальных систем поддержки принятия решений, а также при автоматизированной настройке систем обнаружения вторжений (IDS) в финансовом секторе.

Поступила: 02.09.2026
Одобрена: 09.09.2026
Принята: 01.10.2026

Для цитирования

Абаев В.А., Будаев Е.С., Хасанов И.И. Сравнительный анализ гибридных интеллектуальных моделей обнаружения нарушений критической информационной инфраструктуры финансового сектора на синтетических данных // Динамика сложных систем - XXI век. 2026. Т. 20. № 5. С. 19−24. DOI: https://doi.org/10.18127/j19997493-202605-03

Список источников

Liao H.J., Lin C.H.R., Lin Y.C. & Tung K.Y. Intrusion detection system: A comprehensive review // Journal of Network and Computer Applications. 2013. 36(1). 16–24. https://doi.org/10.1016/j.jnca.2012.09.004
Buczak A.L. & Guven E. A survey of data mining and machine learning methods for cyber security intrusion detection // IEEE Communications Surveys & Tutorials. 2016. 18(2). 1153–1176. https://doi.org/10.1109/COMST.2015.2494502
Zargar S.T., Joshi J. & Tipper D. A survey of defense mechanisms against distributed denial of service (DDoS) flooding attacks // IEEE Communications Surveys & Tutorials. 2013. 15(4). 2046–2069. https://doi.org/10.1109/SURV.2013.031413.00127
Tavallaee M., Bagheri E., Lu W. & Ghorbani A.A. A detailed analysis of the KDD CUP 99 data set // IEEE Symposium on Computational Intelligence for Security and Defense Applications. 2009. 1–6. https://doi.org/10.1109/CISDA.2009.5356528
Moustafa N. & Slay J. UNSW-NB15: A comprehensive data set for network intrusion detection systems. 2015 Military Communications and In-formation Systems Conference (MilCIS). https://doi.org/10.1109/MilCIS.2015.7348942
Ring M., Wunderlich S., Scheuring D., Landes D. & Hotho A. A survey of network-based intrusion detection data sets // Computers & Security. 2019. 86. 147–167. https://doi.org/10.1016/j.cose.2019.06.005
Sharafaldin I., Habibi Lashkari A., & Ghorbani A.A. Toward generating a new intrusion detection dataset and intrusion traffic characterization // Proceedings of the 4th International Conference on Information Systems Security and Privacy (ICISSP). 2018. 108–116. https://doi.org/10.5220/0006639801080116
Zhang G., Wang X., Li R., Song Y., He J. and Lai J. Network Intrusion Detection Based on Conditional Wasserstein Generative Adversarial Network and Cost-Sensitive Stacked Autoencoder // IEEE Access. 2020. V. 8. P. 190431–190447. https://doi.org/10.1109/ACCESS.2020.3031892
Chen S.M. & Chang Y.C. Multi-variable fuzzy forecasting based on fuzzy clustering and fuzzy rule interpolation techniques // Information Sciences. 2011. 181(24), 5524–5539. https://doi.org/10.1016/j.ins.2010.08.026
Jang J.-S.R. ANFIS: Adaptive-network-based fuzzy inference system // IEEE Transactions on Systems, Man, and Cybernetics. 1993. 23(3). 665–685. https://doi.org/10.1109/21.256541
Kennedy J. & Eberhart R. Particle swarm optimization // Proceedings of ICNN'95 – International Conference on Neural Networks. 1995. 4. 1942–1948. https://doi.org/10.1109/ICNN.1995.488968
Tsang C.H., Kwong S. & Wang H. Genetic-fuzzy rule mining approach and evaluation of feature selection techniques for anomaly intrusion detection // Pattern Recognition. 2007. 40(9). 2373–2391. https://doi.org/10.1016/j.patcog.2006.12.009

[1] Liao H.J., Lin C.H.R., Lin Y.C. & Tung K.Y. Intrusion detection system: A comprehensive review // Journal of Network and Computer Applications. 2013. 36(1). 16–24. https://doi.org/10.1016/j.jnca.2012.09.004

[2] Buczak A.L. & Guven E. A survey of data mining and machine learning methods for cyber security intrusion detection // IEEE Communications Surveys & Tutorials. 2016. 18(2). 1153–1176. https://doi.org/10.1109/COMST.2015.2494502

[3] Zargar S.T., Joshi J. & Tipper D. A survey of defense mechanisms against distributed denial of service (DDoS) flooding attacks // IEEE Communications Surveys & Tutorials. 2013. 15(4). 2046–2069. https://doi.org/10.1109/SURV.2013.031413.00127

[4] Tavallaee M., Bagheri E., Lu W. & Ghorbani A.A. A detailed analysis of the KDD CUP 99 data set // IEEE Symposium on Computational Intelligence for Security and Defense Applications. 2009. 1–6. https://doi.org/10.1109/CISDA.2009.5356528

[5] Moustafa N. & Slay J. UNSW-NB15: A comprehensive data set for network intrusion detection systems. 2015 Military Communications and In-formation Systems Conference (MilCIS). https://doi.org/10.1109/MilCIS.2015.7348942

[6] Ring M., Wunderlich S., Scheuring D., Landes D. & Hotho A. A survey of network-based intrusion detection data sets // Computers & Security. 2019. 86. 147–167. https://doi.org/10.1016/j.cose.2019.06.005

[7] Sharafaldin I., Habibi Lashkari A., & Ghorbani A.A. Toward generating a new intrusion detection dataset and intrusion traffic characterization // Proceedings of the 4th International Conference on Information Systems Security and Privacy (ICISSP). 2018. 108–116. https://doi.org/10.5220/0006639801080116

[8] Zhang G., Wang X., Li R., Song Y., He J. and Lai J. Network Intrusion Detection Based on Conditional Wasserstein Generative Adversarial Network and Cost-Sensitive Stacked Autoencoder // IEEE Access. 2020. V. 8. P. 190431–190447. https://doi.org/10.1109/ACCESS.2020.3031892

[9] Chen S.M. & Chang Y.C. Multi-variable fuzzy forecasting based on fuzzy clustering and fuzzy rule interpolation techniques // Information Sciences. 2011. 181(24), 5524–5539. https://doi.org/10.1016/j.ins.2010.08.026

[10] Jang J.-S.R. ANFIS: Adaptive-network-based fuzzy inference system // IEEE Transactions on Systems, Man, and Cybernetics. 1993. 23(3). 665–685. https://doi.org/10.1109/21.256541

[11] Kennedy J. & Eberhart R. Particle swarm optimization // Proceedings of ICNN'95 – International Conference on Neural Networks. 1995. 4. 1942–1948. https://doi.org/10.1109/ICNN.1995.488968

[12] Tsang C.H., Kwong S. & Wang H. Genetic-fuzzy rule mining approach and evaluation of feature selection techniques for anomaly intrusion detection // Pattern Recognition. 2007. 40(9). 2373–2391. https://doi.org/10.1016/j.patcog.2006.12.009

Аннотация

Для цитирования

Похожие статьи