В.А. Мельников1, П.Ю. Пушкин2, А.А. Мельникова3, Ю.А. Конышева4, Д.С. Перевезенцев5, А.С. Грачев6

1 РГУ нефти и газа (НИУ) им. И.М. Губкина (Москва, Россия)
2 ФГУП «НТЦ «Орион» (Москва, Россия)
3 ООО «ГК «Иннотех» (Москва, Россия)
4–6 МИРЭА – Российский технологический университет (Москва, Россия)
1 melnikov.va@gubkin.ru, 2 pushkin@mirea.ru, 3 pershinaaa16@mail.ru, 4 konysheva@mirea.ru, 5 perevezentsev@mirea.ru, 6 grachyov@mirea.ru

Постановка проблемы. Стремительное развитие цифровых технологий, широкое внедрение концепций Индустрии 4.0 и 5.0, а также растущая зависимость критически важных инфраструктур от информационных систем привели к существенному усложнению задач обеспечения их безопасности. В этих условиях особую значимость приобретает выявление деструктивных действий и событий, способных нарушить устойчивость функционирования промышленных, корпоративных и распределённых информационных систем. Широкий спектр исследований и наличие разнообразных методов и технологий, лежащих в их основе, приводят к необходимости рассматривать эволюцию научных подходов и проводить их сравнительный анализ от экспертных классификаторов к гибридным архитектурам, объединяющим машинное обучение, вероятностные модели и доменно специфические знания.

Цель. Провести комплексный анализ современных подходов к выявлению деструктивных событий, включая формальные модели угроз, сценарные и графовые методы, статистические и кластеризационные алгоритмы, методы глубокого обучения, доменно ориентированные решения, а также подходы, связанные с корреляцией событий, устойчивостью систем обнаружения и атрибуцией атак.

Результаты. Приведены преимущества и недостатки традиционных формальных моделей угроз и экспертных классификаторов, сценарных, графовых, статистических и вероятностных моделей, методов глубокого обучения и гибридных архитектур. Особое внимание уделено ограничениям существующих методов, проблемам интерпретируемости, устойчивости к состязательным воздействиям, а также необходимости интеграции разнородных источников данных. Подчеркнуто, что универсального метода выявления деструктивных событий не существует, а наиболее перспективным направлением является разработка адаптивных гибридных систем, способных учитывать специфику среды и динамику угроз. Показана перспективность марковских процессов принятия решений (МППР) при выявлении многошаговых атак в информационных системах.

Практическая значимость. Обоснована перспективность использования марковских процессов принятия решений для создания адаптивных систем обнаружения многошаговых атак.

Мельников В.А., Пушкин П.Ю., Мельникова А.А., Конышева Ю.А., Перевезенцев Д.С., Грачев А.С. Подходы к выявлению деструктивных действий и событий в информационных системах // Системы высокой доступности. 2026. Т. 22. № 3. С. 112−125. DOI: https://doi.org/10.18127/j20729472-202603-10

1. Толкачев С.А. Киберфизические компоненты повышения конкурентоспособности обрабатывающих отраслей промышленности // Экономическое возрождение России. 2019. Т. 3. № 61. С. 127–145.
2. Лола И.С., Бакеев М.Б. Цифровая трансформация в отраслях обрабатывающей промышленности России: результаты конъюнктурных обследований // Вестник Санкт-Петербургского университета. Экономика. 2019. Т. 35. № 4. С. 628–657.
3. Гладилина И.П., Литвенко И.Ю., Кирюхина Е.О. Современные управленческие технологии и индустрия 4.0 // Финансовые рынки и банки. 2021. № 12. С. 21–23.
4. Cichonski P., Millar T., Grance T., Scarfone K. Computer securityincident handling guide: Special publication 800–61. NIST: National Institute of Standards and Technology. 2012. 70 pp.
5. Stouffer K., Stouffer K., Zimmerman T., Tang C., Lubell J., Cichonski J., McCarthy J. Cybersecurity framework manufacturing profile. NISTIR 8183 Rev. 1. US Department of Commerce, National Institute of Standards and Technology, Gaithersburg, 2017. 57 p.
6. Force J.T. Risk management framework for information systems and organizations Special publication 800–37 rev. 2. NIST Spec Publ 800:1–37. NIST: National Institute of Standards and Technology. 2018. 183 p.
7. ГОСТ Р 59548–2022 Защита информации. Регистрация событий безопасности. Требования к регистрируемой информации. Оформление. ФГБУ «РСТ». 2022. 70 с.
8. ГОСТ Р ИСО/МЭК 27000–2021 Информационные технологии. Методы и средства обеспечения безопасности. Системы менеджмента информационной безопасности. Общий обзор и терминология. 2021. 28 с.
9. ISO/IEC 27039:2015. Information technology – Security techniques – Selection, deployment and operations of intrusion detection systems (IDPS). ISO/IEC International Standards Organization. 2015. 48 p.
10. Vlahakis G., Apostolou D., Kopanaki E. Enabling situation awareness with supply chain event management // Expert Systems with Applications. 2018. V. 93. P. 86–103.
11. Kent K.A., Souppaya M. Guide to Computer Security Log Management: Recommendations of the National Institute of Standards and Technology. Special Publication 800–92. NIST special publication, 2006. 72 p.
12. Kromkowski P., Li S., Zhao W., Abraham B., Osborne A., Brown D.E. Evaluating statistical models for network traffic anomaly detection // Proceedings of the 2019 Systems and Information Engineering Design Symposium (SIEDS). 2019. P. 1–6.
13. Limmer T., Dressler F. Survey of event correlation techniques for attack detection in early warning systems // University of Erlangen, Dept. of Computer Science, Technical Report. 2008. 37 p.
14. Dwivedi N., Tripathi A. Event correlation for intrusion detection systems // 2015 IEEE International Conference on Computational Intelligence & Communication Technology. 2015. P. 133–139.
15. Cinque M., Della Corte R., Pecchia A. Contextual filtering and prioritization of computer application logs for security situational awareness // Future Generation Computer Systems. 2020. V. 111. P. 668–680.
16. Kushwah D., Singh R.R., Tomar D.S. An approach to meta–alert generation for anomalous TCP traffic // Security and Privacy: Se­cond ISEA International Conference, ISEA–ISAP 2018. Springer Singapore. 2018. P. 193–216.
17. Nasir M., Muhammad K., Bellavista P., Lee M.Y., Sajjad M. Prioritization and alert fusion in distributed IoT sensors using kademlia based distributed hash tables // IEEE Access. 2020. V. 8. P. 175194–175204.
18. Navarro J., Deruyver A., Parrend P. A systematic survey on multi–step attack detection // Computers & Security. 2018. V. 76. P. 214–249.
19. Котенко И.В., Хмыров С.С. Анализ моделей и методик, используемых для атрибуции нарушителей кибербезопасности при реализации целевых атак // Вопросы кибербезопасности. 2022. Т. 4. № 50. С. 52–79.
20. Li G., Nguyen T.H., Jung J.J. Traffic incident detection based on dynamic graph embedding in vehicular edge computing // Applied Sciences. 2021. V. 11. № 13. P. 5861.
21. Мартынов В.Е., Селиванов С.Г. Моделирование угроз безопасности для построения комплексной системы защиты информации на объектах информатизации // Вопросы кибербезопасности. 2021. № 5 (45). С. 2–15.
22. Иванов А.А., Петров И.В. Модели информационной безопасности // Информационные технологии и вычислительные системы. 2020. № 3. С. 45–58.
23. Schneier B. Threat Modeling with Attack Trees // Dr. Dobb’s Journal. 1999. V. 24. № 12. P. 21–29.
24. McQueen M., McQueen J., Boyer W., Flynn M. Attacker modeling and simulation for network security analysis // Proceedings of the 2006 Winter Simulation Conference. Monterey, CA, USA, 2006. P. 1741–1748.
25. Кузнецов Д.А., Орлов А.С. Классификаторы деструктивных воздействий в цифровом пространстве // Информационная безопасность. 2022. Т. 28. № 4. С. 33–49.
26. Котенко И.В., Юсупов Р.М. Актуальные угрозы и нарушители информационной безопасности // Труды СПИИРАН. 2019. Т. 18. № 2. С. 5–32.
27. Сидоров А.А., Беляев Н.А. Деструктивное информационное воздействие в сети Интернет: постановка проблемы // Информационное общество. 2020. № 6. С. 77–89.
28. Saalbach H. Cyberwar: Threat Landscape and Strategic Challenges // Proceedings of the International Conference on Cyber Warfare. Saalbach, Austria. 2024. P. 1–25.
29. Wang L., Zhu Q., Başar T. A Markov model of non-mutually exclusive cyber threats // IEEE Transactions on Information Forensics and Security. 2018. V. 13. № 11. P. 2735–2748.
30. Canadian Centre for Cyber Security. National Cyber Threat Assessment 2025–2026. Ottawa: Communications Security Establishment Canada. 2024. 78 p.
31. Jain A., Ross A. A taxonomy of threats to face recognition systems // IEEE Security & Privacy. 2019. V. 17. № 5. P. 40–48.
32. Buczak A.L., Guven E. A survey of data mining and machine learning methods for cyber security intrusion detection // IEEE Communications Surveys & Tutorials. 2016. V. 18. № 2. P. 1153–1176.
33. Голубев А.В., Семёнов К.В. Сравнение системы обнаружения вторжений на основе машинного обучения с сигнатурными средствами защиты информации // Информационная безопасность регионов. 2021. № 2. С. 91–104.
34. Nasir M., Muhammad K., Bellavista P., Lee M.Y., Sajjad M. Intrusion detection system based on network behavior analysis // Journal of Network and Computer Applications. 2019. V. 145. P. 102–113.
35. Aggarwal C.C., Sathe S. Statistical and density-based clustering techniques in the context of anomaly detection in network systems // ACM Computing Surveys. 2017. V. 50. № 3. P. 1–38.
36. Yang Q., Liu Y., Chen T., Tong Y. Federated machine learning: Concept and applications // ACM Transactions on Intelligent Systems and Technology. 2019. V. 10. № 2. P. 1–19.
37. Ferrag M.A., Maglaras L., Moschoyiannis S., Janicke H. Deep learning for cyber security intrusion detection: A comprehensive review // IEEE Access. 2020. V. 8. P. 177228–177252.
38. Ahmed M., Mahmood A.N., Hu J. A survey of network anomaly detection techniques // Journal of Network and Computer Applications. 2016. V. 60. P. 19–31.
39. Tang T.A., Mhamdi L., McLernon D., Zaidi S.A.R., Ghogho M. Deep learning approach for network intrusion detection in software-defined networking // IEEE Wireless Communications and Networking Conference (WCNC). 2018. P. 1–6.
40. Zhang J., Zulkernine M. Anomaly based network intrusion detection with unsupervised outlier detection // Proceedings of the IEEE International Conference on Communications. 2006. P. 2388–2393.
41. Yin C., Zhu Y., Fei J., He X. A deep learning approach for intrusion detection using recurrent neural networks // IEEE Access. 2017. V. 5. P. 21954–21961.
42. Zhang W., Chen Q., Li J., Zhang Z. Anomaly detection in industrial IoT systems using autoencoder neural networks // IEEE Internet of Things Journal. 2020. V. 7. № 10. P. 9900–9912.
43. Li Y., Wang S., Tian Y., Li J. Defending intrusion detection systems against adversarial attacks using denoising autoencoders // Computers & Security. 2021. V. 103. Article 102178.
44. Biggio B., Roli F. Wild patterns: Ten years after the rise of adversarial machine learning // Pattern Recognition. 2018. V. 84. P. 317–331.
45. Hodo E., Bellekens X., Hamilton A., Tachtatzis C., Atkinson R. Threat analysis of IoT networks using artificial neural network intrusion detection system // IEEE World Forum on Internet of Things (WF-IoT). 2016. P. 1–6.
46. Ferrag M.A., Maglaras L., Janicke H. Detection of distributed denial of service attacks using deep learning // Journal of Network and Computer Applications. 2018. V. 122. P. 1–15.
47. Bradshaw S., Bailey H., Howard P.N. Industrialized disinformation: 2020 global inventory of organized social media manipulation // Computational Propaganda Research Project. Oxford University, 2020. 95 p.
48. Савинов А.Н. Разработка методов и средств интеллектуальной обработки мультимодальных данных из сети Интернет: дисс. … канд. техн. наук. М.: МГТУ им. Н.Э. Баумана. 2021. 168 с.
49. Гусев А.В., Фёдоров А.А. Методология сбора данных для анализа безопасности промышленных киберфизических систем // Вестник компьютерных и информационных технологий. 2021. № 10. С. 22–34.
50. Романов К.С., Абрамов Д.В. О кибербезопасности систем Интернета вещей // Информационная безопасность. 2020. Т. 26. № 3. С. 41–55.
51. Смирнов П.Н., Козлов И.А. Обнаружение несанкционированного вторжения в беспроводные одноранговые сети // Известия высших учебных заведений. Радиоэлектроника. 2019. Т. 62. № 8. С. 489–501.
52. Поляков М.В., Ершов С.Д. Реализация системы обнаружения вторжений с использованием нейронной сети // Вопросы защиты информации. 2018. № 4. С. 58–67.
53. Moustafa N., Slay J. UNSW-NB15: A comprehensive data set for network intrusion detection systems // Military Communications and Information Systems Conference (MilCIS). 2015. P. 1–6.
54. Сергеев В.И., Климов А.Н. Протоколы сетевой безопасности: анализ современных угроз и методов их предотвращения // Информационные технологии. 2019. Т. 25. № 12. С. 720–731.
55. Alcaraz C., Zeadally S. Critical infrastructure protection: Requirements and challenges for the 21st century // International Journal of Critical Infrastructure Protection. 2015. V. 8. P. 53–66.
56. Абрамов А.Н., Ильин В.О. Обнаружение признаков аномального поведения трафика на основе методов искусственного интеллекта // Программные системы и вычислительные методы. 2021. № 2. С. 44–59.
57. Кириллов И.С., Лапин П.А. Разработка системы обнаружения вредоносного трафика для повышения количества обнаруженных аномалий // Информационная безопасность регионов. 2020. № 3. С. 12–26.
58. Николаев Д.А., Орехов В.П. Обнаружение инцидентов информационной безопасности на основе технологии нейронных сетей // Вестник СибГУТИ. 2019. № 1. С. 88–101.
59. Калинин Р.М., Шубин А.В. Модель систематизации классификаторов деструктивных и конструктивных воздействий // Системы управления и информационные технологии. 2022. № 4. С. 97–110.
60. Котов И.Е., Лебедев С.Н. Классификаторы деструктивных воздействий в цифровом пространстве // Информационное право. 2021. № 2. С. 63–74.
61. Aljawarneh S., Aldwairi M., Yassein M.B. Anomaly-based intrusion detection system through feature selection analysis and building hybrid efficient model // Journal of Computational Science. 2018. V. 25. P. 152–160.
62. Zhang Y., Chen X., Li J. Security event analysis in sensor-based systems using deep learning // Sensors. 2022. V. 22. № 18. P. 6842.
63. Голубев А.В., Соколов Н.Н. Состязательное тестирование моделей машинного обучения, предназначенных для обнаружения SQL-инъекций // Вопросы кибербезопасности. 2021. № 6 (46). С. 31–45.
64. Chen J., Yang X., Li Z. Data poisoning attacks and defenses in machine learning systems // Sensors. 2023. V. 23. № 9. P. 4185.
65. Ivanov D.S., Petrov A.A. Reliability metrics for intelligent security monitoring systems // Journal of Systems and Software. 2022.
    V. 189. Article 111290.
66. Кузьмин А.С., Воробьёв П.А. Влияние ранжирования индикаторов атак на качество моделей машинного обучения в агентных системах непрерывной аутентификации // Информационная безопасность. 2022. Т. 28. № 2. С. 14–29.
67. Guidotti R., Monreale A., Ruggieri S., Turini F., Giannotti F., Pedreschi D. A survey of methods for explaining black box models // ACM Computing Surveys. 2019. V. 51. № 5. Article 93.
68. Minaei-Bidgoli B., Grossklags J. Model of social influence in analysis of socio-engineering attacks // Computers & Security. 2018. V. 73. P. 89–103.
69. Howard P.N., Woolley S., Bradshaw S. State-sponsored information operations in the digital age // International Journal of Communication. 2018. V. 12. P. 195–216.
70. Иванов В.Г., Лебедев А.Н. Проблемы противодействия киберпреступности в Российской Федерации // Журнал российского права. 2020. № 11. С. 97–112.
71. Behl A., Behl K. Cybersecurity and cyberwar: What everyone needs to know // Oxford University Press, Oxford. 2017. 296 p.
72. Kumar R., Singh S., Kaur M. Cryptographic ransomware encryption detection: A survey // IEEE Access. 2022. V. 10. P. 112345–112370.
73. Sharafaldin I., Lashkari A.H., 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. P. 108–116.
74. Tsai C.F., Hsu Y.F., Lin C.Y., Lin W.Y. Intrusion detection by machine learning: A review // Expert Systems with Applications. 2009. V. 36. № 10. P. 11994–12000.
75. Zhou Y., Cheng G., Jiang S. Robustness evaluation of security monitoring systems under adversarial conditions // Journal of Information Security and Applications. 2023. V. 70. Article 103315.
76. Sarker I.H. Deep learning-based intrusion detection systems: A systematic review // Applied Sciences. 2023. V. 13. № 15. P. 8794.
77. Kumar S., Mishra A. Early warning systems for cyber threat detection // International Journal of Information Security Science. 2020. V. 9. № 3. P. 112–126.
78. Chandola V., Banerjee A., Kumar V. Anomaly detection: A survey // ACM Computing Surveys. 2009. V. 41. № 3. Article 15.
79. Саттон Р.С., Барто Э.Дж. Обучение с подкреплением: введение. 2-е изд. М.: ДМК Пресс. 2020. 552 с.
80. Mazengia D.H. Forecasting Spot Electricity Market Prices Using Time Series Models // Thesis for the degree of Master of Science in Electric Power Engineering. Gothenburg: Chalmers University of Technology. 2008. 89 p. [Электронный ресурс]. Режим доступа: https://arxiv.org/abs/2002.08957 (дата обращения: 11.02.2026).
81. Подтопельный В.В. Исследование специфики моделирования компьютерных атак с использованием марковских процессов принятий решений и q-обучения // Информация и безопасность. 2024. Т. 27. Вып. 3. С. 421–441.