№ 3 (73)

Цель исследования: развитие методологии каскадного моделирования угроз безопасности (УБ) интеллектуальных транспортных систем (ИТС) критической информационной инфраструктуры (КИИ), разработка типовых сценариев каскадных УБ, интеграция каскадной модели УБ с системой гибридного адаптивного управления безопасностью (СГАУБ) для автоматизированного поиска эффективных решений и интеллектуальных алгоритмов управления рисками безопасности объектов ИТС в цепочке от реального (потенциального) нарушителя до реализации мер защиты на состоявшийся (потенциально возможный) акт незаконного вмешательства (АНВ) в функционирование защищаемого объекта, обеспечение заданного уровня защиты и соответствия безопасности ИТС нормативным требованиям регулятора.
Методы исследования: системный анализ угроз безопасности ИТС; методы обеспечения безопасности КИИ; применение гибридного интеллекта для оценки рисков и управления безопасностью объектов ИТС КИИ; синтез и анализ сценариев реализации каскадных угроз безопасности ИТС КИИ; разработка решений по защите объектов ИТС КИИ от каскадных угроз и оценка их соответствия нормативным требованиям.
Результаты исследования: разработана методология формирования сценариев каскадных УБ ИТС КИИ, учитывающая нелинейный характер распространения УБ по архитектуре объекта, интегрированная со СГАУБ для автоматизированного поиска эффективных решений и интеллектуальных алгоритмов управления рисками безопасности объектов ИТС в цепочке от реального (потенциального) нарушителя до реализации мер защиты на состоявшийся (потенциально возможный) АНВ в функционирование защищаемого объекта, обеспечения заданного уровня защиты и соответствия безопасности ИТС нормативным требованиям. Для интеллектуальных систем водного транспорта (ИСВТ) разработаны 44 типовых сценария каскадных УБ объектов, которые рассмотрены на примерах объектовых подсистем глобальных навигационных спутниковых систем и автоматизированных систем управления движением судами. Предложены адаптированные к особенностям ИСВТ решения по реализации мер защиты, предусмотренных нормативными правовыми актами ФСТЭК России, что обеспечивает заданный уровень защищенности в условиях расширения типов угроз и соответствие безопасности указанных систем нормативным требованиям.
Научная новизна: предложенные авторами новые решения обеспечивают переход от линейных к нелинейным (каскадным) моделям УБ ИТС КИИ, гибридному адаптивному управлению безопасностью объектов на основе интеграции технологий гибридного интеллекта и цифровых двойников объектов ИТС КИИ для автоматизированного поиска и принятия к реализации максимально эффективных сценариев управления безопасностью на основе оценки рисков.Практическая ценность: разработанные типовые сценарии каскадных УБ ИСВТ, показанные на примерах объектовых подсистем глобальных навигационных спутниковых систем и автоматизированных систем управления движением судами, позволяют автоматизировать поиск эффективных решений и интеллектуальных алгоритмов управления рисками безопасности объектов ИТС в цепочке от реального (потенциального) нарушителя до реализации мер защиты на состоявшийся (потенциально возможный) АНВ в функционирование защищаемого объекта, обеспечение заданного уровня защиты и соответствия безопасности ИТС нормативным требованиям регулятора. Изложенные в статье результаты применимы к ИТС различных видов транспорта. Они были использованы при выполнении работ по Стратегическому технологическому проекту «Интеллектуальные транспортные системы и автономные транспортные средства» Программы стратегического академического лидерства «Приоритет 2030», подготовке и реализации Технического задания для участия российской делегации в 110й сессии Комитета по безопасности на море Международной морской организации в части пункта повестки дня «Пересмотр Руководства по управлению морскими киберрисками (MSCFAL.1/Circ.3/Rev.2) и определение дальнейших действий по повышению кибербезопасности на море», выполнении НИР «Централизованные доверенные интеллектуальные системы управления внеуличным городским транспортом на основе отечественных решений» по государственному заданию от 20.03.2025 № 103000012502.
Ключевые слова: акт незаконного вмешательства, автоматизированная система корпоративного управления, банк данных угроз безопасности автоматизированных систем технологическими процессами, искусственный интеллект, каскадная модель угроз, критическая информационная инфраструктура, меры защиты, нечеткая логика

1. Бочков, М. В. Метод оценки защищенности критической информационной инфраструктуры / М. В. Бочков, Д. А. Васинев // Вопросы кибербезопасности. – 2025. – № 4 (68). – С. 17–29. – DOI: 10.21681/2311-3456-2025-4-17-29.
2. Нырков, А. П. К вопросу о категорировании объектов критической информационной инфраструктуры морских портов / К. В. Наташова, С. С. Соколов, О. Н. Губернаторов, А. П. Нырков, А. В. Кириков // Безопасность информационных технологий = IT Security. – 2020. – Т. 27, № 2. – С. 35–46. – DOI: 10.26583/bit.2020.1.03.
3. Михалевич, И. Ф. Концептуальные проблемы транспортной безопасности водных интеллектуальных транспортных систем / И. Ф. Михалевич // Надежность. – 2024. – Т. 24, № 2. – С. 72–87. – DOI: 10.21683/1729-2646-2024-24-2-72-87.
4. Михалевич, И. Ф. Проблемы обеспечения безопасности автономного судоходства на внутренних водных путях (монография) / И. Ф. Михалевич. – Москва : Научно-техническое издательство «Горячая линия - Телеком», 2024. – 336 с. – ISBN 978-5-9912-1106-2.
5. Longo, G. Attacking (and Defending) the Maritime Radar System / G. Longo, E. Russo, A. Armando, A. Merlo // IEEE Transactions on Information Forensics and Security. – 2023. – 18. – С. 3575–3589. – DOI: 10.1109/TIFS.2023.3282132.
6. Oruc, A. Perspectives on the Cybersecurity of the Integrated Navigation System / A. Oruc, G. Kavallieratos, V. Gkioulos, S. Katsikas // Journal of Marine Science and Engineering. – 2025. – 13 (6). – Статья 1087. – DOI: 10.3390/jmse13061087.
7. Михалевич, И. Ф. Проблемы создания доверенной среды разработки и реализации интеллектуальных систем водного транспорта / И. Ф. Михалевич // Надежность. – 2025. – Т. 25, № 2. – С. 39–47. – DOI: 10.21683/1729-2646-2025-25-2-39-47.
8. Islam, T. A review of cyber attacks on sensors and perception systems in autonomous vehicle / T. Islam, M. A. Sheakh, A. N. Jui, O. Sharif, M. Z. Hasan // Journal of Economy and Technology. – 2023. – 1 (9). – С. 242–258. – DOI: 10.1016/j.ject.2024.01.002.
9. Jin, Z. PLA-LiDAR: Physical Laser Attacks against LiDAR-based 3D Object Detection in Autonomous Vehicle / Z. Jin, X. Ji, Y. Cheng, B. Yang, C. Yan, W. Xu // 2023 IEEE Symposium on Security and Privacy (SP). – 2023. – С. 1822–1839. – DOI: 10.1109/SP46215.2023.10179458.
10. Mohaimenuzzaman, Md. Enhancing safety in water transport system based on Internet of Things for developing countries / Md Mohaimenuzzaman, S. M. Rahman, M. Alhussein, G. Muhammad, K. A. Mamun. – 2021. – arXiv:2105.09459. – URL: https://arxiv.org/abs/2105.09459.
11. Zhu, Y. Adversarial Attacks and Mitigations on Scene Segmentation of Autonomous Vehicles / Y. Zhu, S. Adepu, K. Dixit, Y. Yang, X. Lou // Computer Security – ESORICS 2022 International Workshops (Revised Selected Papers). – Cham : Springer, 2023. – С. 46–66. – DOI: 10.1007/978-3-031-25460-4_3.
12. Amirkhani, A. A survey on adversarial attacks and defenses for object detection and their applications in autonomous vehicles /
A. Amirkhani, M. P. Karimi, A. Banitalebi-Dehkordi // The Visual Computer. – 2022. – 39 (11). – С. 1–15. – DOI: 10.1007/s00371-022-02660-6.
13. Баранов, Л. А. Моделирование и оценка рисков безопасности интеллектуальных систем водного транспорта / Л. А. Баранов, Н. Д. Иванова, И. Ф. Михалевич // Автоматика на транспорте. – 2025. – Т. 11, № 1. – С. 7–15. – DOI: 10.20295/2412-9186-2025-11-01-7-15.
14. Баранов, Л. А. Цифровой испытательный стенд анализа безопасности объектов критической информационной инфраструктуры интеллектуальных систем водного транспорта / Л. А. Баранов, Н. Д. Иванова, И. Ф. Михалевич // Надежность. – 2025. – Т. 25, № 3. – С. 50–59. – DOI: 10.21683/1729-2646-2025-25-3-50-59.
15. Иванова, Н. Д. Каскадная модель угроз безопасности объектов интеллектуальных систем водного транспорта / Н. Д. Иванова, И. Ф. Михалевич // (в редакции журнала).
16. Рыжов, А. П. Оценка устойчивости развития критической инфраструктуры Российской Федерации на базе технологии оценки и мониторинга информационной безопасности / И. Ф. Михалевич, А. П. Рыжов // T-Comm: Телекоммуникации и транспорт. – 2018. – 12 (5). – С. 70–76. – DOI: 10.24411/2072-8735-2018-10089.
17. Баранов, Л. А. Нечеткая система оценки рисков информационной безопасности интеллектуальных систем водного транспорта / Л. А. Баранов, Н. Д. Иванова, И. Ф. Михалевич // Автоматика на транспорте. – 2024. – 10 (1). – С. 7–17. – DOI: 10.20295/2412-9186-2024-10-01-7-17.
18. Shen, J. Lateral-Direction Localization Attack in High-Level Autonomous Driving: Domain-Specific Defense Opportunity via Lane Detection / J. Shen, Y. Luo, Z. Wan, Q. A. Chen. – 2023. – arXiv: 2307.14540. – URL: https://arxiv.org/pdf/2307.14540.pdf (дата обращения: 03.01.2026).
19. Spravil, J. Detecting Maritime GPS Spoofing Attacks Based on NMEA Sentence Integrity Monitoring / J. Spravil, C. Hemminghaus, M. von Rechenberg, E. Padilla, J. Bauer // Journal of Marine Science and Engineering. – 2023. – 11 (5). – Статья 928. – DOI: 10.3390/jmse11050928.
20. Androjna, A. Impact of Spoofing of Navigation Systems on Maritime Situational Awareness / A. Androjna, M. Perkovic // Transactions on Maritime Science. – 2021. – 10 (2). – С. 361–373. – DOI: 10.7225/toms.v10.n02.w08.
21. Malić, E. A Method and a Model for Risk Assessment of GNSS Utilisation with a Proof-of-Principle Demonstration for Polar GNSS Maritime Applications / E. Malić, N. Sikirica, D. Špoljar, R. Filjar // TransNav: The International Journal on Marine Navigation and Safety of Sea Transportation. – 2023. – 17 (1). – C. 43–50. – DOI: 10.12716/1001.17.01.03.
22. Goudosis, A. Secure Automatic Identification System (SecAIS): Proof-of Concept Implementation / A. Goudosis, S. Katsikas // Journal of Marine Science and Engineering. – 2022. – 10 (6). – Статья 805. – DOI: 10.3390/jmse10060805.
23. Goudosis, A. Secure AIS with Identity-Based Authentication and Encryption / A. Goudosis, S. Katsikas // TransNav: The International Journal on Marine Navigation and Safety of Sea Transportation. – 2020. – 14 (2). – C. 287–298. – DOI: 10.12716/1001.14.02.03.
24. Jo, Y. Cyberattack Models for Ship Equipment based on the MITRE ATT&CK Framework / Y. Jo, O. Choi, J. You, Y. Cha, D. H. Lee // Sensors. – 2022. – 22 (5). – Статья 1860. – DOI: 10.3390/s22051860.
25. Svilicic, B. Raising Awareness on Cyber Security of ECDIS / B. Svilicic, D. Brčić, S. Žuškin, D. Kalebić // TransNav: The International Journal on Marine Navigation and Safety of Sea Transportation. – 2019. – 13 (1). – С. 231–236. – DOI: 10.12716/1001.13.01.24.
26. Svilicic, B. Shipboard ECDIS Cyber Security: Third-Party Component Threats / B. Svilicic, I. Rudan, V. Frančić, M. Doričić // Pomorstvo. – 2019. – 33 (2). – С. 176–180. – DOI: 10.31217/p.33.2.7.
27. Amro, A. Cyber risk management for autonomous passenger ships using threat-informed defense-in-depth / A. Amro, V. Gkioulos // International Journal of Information Security. – 2023. – 22 (1). – С. 249–288. – DOI: 10.1007/s10207-022-00638-y.
28. Bhatti, J. Hostile Control of Ships via False GPS Signals: Demonstration and Detection / J. Bhatti, T. E. Humphreys // NAVIGATION: Journal of the Institute of Navigation. – 2017. – 64 (1). – С. 51–66. – DOI: 10.1002/navi.18
29. Balduzzi, M. A security evaluation of AIS automated identification system / M. Balduzzi, A. Pasta, K. Wilhoit // Proceedings of the 30th annual computer security applications conference. – 2014. – С. 436–445. – DOI: 10.1145/2664243.2664257.
30. He, Z. Machine Learning for Cybersecurity: A Survey of Applications, Adversarial Challenges, and Future Research Directions / Z. He, D. Davila, S. Bi, T. Wang, T. Hou // Electronics. – 2025. – 14 (23). – Статья 4563. – DOI: 10.3390/electronics14234563.
31. Gan, W. Comparisons of Machine Learning Methods in Ship Speed Prediction Based on Shipboard Observation / W. Gan, D. Ma, Y. Duan // Journal of Marine Science and Engineering. – 2025. – 13 (6). – Статья 1011. – DOI: 10.3390/jmse13061011.
32. Котенко, И. В. Атаки и методы защиты в системах машинного обучения: анализ современных исследований / И. В. Котенко, И. Б. Саенко, О. С. Лаута, Н. А. Васильев, В. Е. Садовников // Вопросы кибербезопасности. – 2024. – 1 (59). – С. 24–37. – DOI: 10.21681/2311-3456-2024-1-24-37.
33. Kotsilieris, T. Special Issue: Regularization Techniques for Machine Learning and Their Applications / T. Kotsilieris, I. Anagnostopoulos, I. E. Livieris // Electronics. – 2022. –11 (4). – Статья 521. – DOI: 10.3390/electronics11040521.
34. Agra, A. Robust Optimization for a Maritime Inventory Routing Problem / A. Agra, M. Christiansen, L. M. Hvattum, F. Rodrigues // Transportation Science. – 2018. – 52 (3). – С. 509–525. – DOI: 10.1287/trsc.2017.0814.
35. Баранов, Л. А. Информационная безопасность системы автономного судовождения в контексте специфических для интеллектуальных транспортных систем угроз / Л. А. Баранов, И. Ф. Михалевич, Н. Д. Иванова, С. С. Соколов // Проблемы управления безопасностью сложных систем : Материалы XXXI международной конференции, Москва, 13 декабря 2023 года. – Москва : Институт проблем управления им. В. А. Трапезникова РАН, 2023. – С. 249–256. – DOI: 10.25728/iccss.2023.53.91.033.
36. Chen, X. Satellite Navigation Signal Authentication in GNSS: A Survey on Technology Evolution, Status, and Perspective for BDS / X. Chen, R. Luo, T. Liu, H. Yuan, H. Wu // Remote Sensing. – 2023. –15 (5). – Статья 1462. – DOI: 10.3390/rs15051462.
37. Ma, X. Advances in Multi-Source Navigation Data Fusion Processing Methods / X. Ma, P. Zhou, X. He // Mathematics. – 2025. – 13 (9). – Статья 1485. – DOI: 10.3390/math13091485

Цель исследования: разработка метода восстановления нормального режима энергорайона с распределенными энергетическими ресурсами (РЭР) при возникновении отказов в результате кибератак.
Методы исследования: графоаналитические методы, теория полумарковских процессов, графовые нейронные сети, машинное обучение.
Результат исследования: разработана автоматика восстановления энергорайона с РЭР, способная учитывать топологические взаимосвязи и динамически адаптироваться к изменениям в сети в условиях кибератак. Предложен метод восстановления нормального режима энергорайона с РЭР, обеспечивающий комплексную защиту энерго­района, сочетая эффективность обнаружения и локализации кибератак с интеллектуальными возможностями централизованного управления на основе графовых нейронных сетей и обучения с подкреплением.
Научная новизна состоит в том, что разработанная система централизованной автоматики «Автоматический диспетчер» позволяет не только эффективно обнаруживать кибератаки и восстанавливать нормальный режим, но и повышать надежность функционирования энергорайона.
Ключевые слова: энергорайон, восстановление нормального режима, автоматический диспетчер, надежность, кибератака, графовая нейронная сеть, машинное обучение.

1. Воропай Н. И. Направления и проблемы трансформации электроэнергетических систем // Электричество. 2020. № 7. С. 12–21. DOI: 10.24160/0013-5380-2020-7-12-21
2. Илюшин П. В. Системный подход к развитию и внедрению распределенной энергетики и возобновляемых источников энергии в России // Энергетик. 2022. № 4. C. 20–27.
3. Фишов А. Г., Гуломзода А. X. Способ удаленной синхронизации и восстановления нормального режима аварийно разделенной электрической сети с генераторами // Оперативное управление в электроэнергетике: подготовка персонала и поддержание его квалификации. 2021. № 5, с. 61–64.
4. Dan Y., Zhong H., Wang C., Wang J., Fei Y., Yu L. A Graph Deep Reinforcement Learning-Based Fault Restoration Method for Active Distribution Networks // Energies. 2025. 18 (16). 4420. DOI: 10.3390/en18164420.
5. Головинский И. А. Возможности автоматического восстановления электроснабжения в распределительной сети при группе одно-временных повреждений // Вестник Северо-Кавказского федерального университета. 2021. № 4 (85). C. 7–16. DOI: 10.37493/2307-907X.2021.4.2.
6. Илюшин П. В. Особенности возникновения и протекания аварийных режимов в распределительных сетях с распределенной генерацией. // Вестник Казанского государственного университета, 2021. Т. 13. № 3 (51). C. 3–14.
7. Куликов А. Л., Гурина Л. А. Метод восстановления функционирования электроэнергетических систем при кибератаках // Вопросы кибербезопасности. 2026. № 1 (71). C. 81–88. DOI: 10.21681/2311-3456-2026-1-81-88.
8. Wang Y., Chu Z., Chen G., Zhang T., Ma Y., Chen C., Lin Z. A Robust Control Strategy for the Automatic Load Commutation Device Considering Uncertainties of Source and Load // Applied Sciences. 2023. 13 (13). 7390. DOI:10.3390/app13137390.
9. Jian J., Li P., Yu H., Ji H., Ji J., Song G., Yan J., Wu J., Wang C. Multi-stage supply restoration of active distribution networks with SOP integration // Sustainable Energy Grids and Networks. 2022. 29. 100562. DOI: 10.1016/j.segan.2021.100562.
10. Jun Z. Research on Power Supply Route Optimization Method Based on Dijkstra Algorithm and Genetic Algorithm // 2023 IEEE International Conference on Control, Electronics and Computer Technology (ICCECT), Jilin, China. 2023. Pp. 182–186. DOI: 10.1109/ICCECT57938.2023.10141405.
11. Liu S., Hou X., Zhao C., Ji L., Tian S., Su X. A Novel Fault Recovery Strategy for Future Distribution Network based on Multi-objective Particle Swarm Optimization Algorithm // 2021 3rd International Conference on Smart Power & Internet Energy Systems (SPIES), Shanghai, China. 2021. Pp. 272–277. DOI: 10.1109/SPIES52282.2021.9633812.
12. Wang L., Niu L., Ma Zh., Li H., Wang Li., Wang T., Zhang Zh., Chen L. Restoration Strategy of Distributed Power Supply in Distribution Network Based on Genetic Algorithm // Journal of Physics: Conference Series. 2023. 2468. 012032. DOI: 10.1088/1742-6596/2468/1/012032.
13. Igder M. A., Liang X. Service Restoration Using Deep Reinforcement Learning and Dynamic Microgrid Formation in Distribution Networks // IEEE Transactions on Industry Applications. 2023. Vol. 59, no. 5. Pp. 5453–5472. DOI: 10.1109/TIA.2023.3287944.
14. Xie H., Tang L., Zhu H., Cheng X., Bie Z. Robustness assessment and enhancement of deep reinforcement learning-enabled load restoration for distribution systems // Reliability Engineering and System Safety. 2023. 237. 109340. DOI: 10.1016/j.ress.2023.109340.
15. Su T., Zhao J., Pei Y. and Ding F. Probabilistic Physics-Informed Graph Convolutional Network for Active Distribution System Voltage Prediction // IEEE Transactions on Power Systems. Nov. 2023. Vol. 38, no. 6. Pp. 5969–5972. DOI: 10.1109/TPWRS.2023.3311638.
16. Li Q., Dai S., Li X., Li W. and Sun W. Graph Convolution Networks-Based Island Partition for Energy and Information Coupled Active Distribution Systems // 2021 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm), Aachen, Germany. 2021. Pp. 315–320. DOI: 10.1109/SmartGridComm51999.2021.9632294.
17. Hu J. et al. Fault Location and Classification for Distribution Systems Based on Deep Graph Learning Methods // Journal of Modern Power Systems and Clean Energy. January 2023. Vol. 11, no. 1. Pp. 35–51. DOI: 10.35833/MPCE.2022.000204.
18. MansourLakouraj M., Hosseinpour H., Livani H., Benidris M. Waveform Measurement Unit-Based Fault Location in Distribution Feeders via Short-Time Matrix Pencil Method and Graph Neural Network // IEEE Transactions on Industry Applications. March-April 2023. Vol. 59, no. 2. Pp. 2661–2670. DOI: 10.1109/TIA.2022.3231586.
19. Kiani-Moghaddam M., Shivaie M., Arabkoohsar A. Towards a new effective strategy to obtain optimal radial structure in power distribution networks: Graph theory-based topology assessment // International Journal of Electrical Power and Energy Systems. 2022. 143. 108484. DOI: 10.1016/j.ijepes.2022.108484.
20. Hu J., Wang Q., Ye Y. and Tang Y. High-Resolution Real-Time Power Systems State Estimation: A Combined Physics-Embedded and Data-Driven Perspective // IEEE Transactions on Power Systems. March 2025. Vol. 40, no. 2. Pp. 1532–1544. DOI: 10.1109/TPWRS.2024.3447783
21. Cao D., Zhao J., Hu W., Yu N., Hu J. and Chen Z. Physics-Informed Graphical Learning and Bayesian Averaging for Robust Distribution State Estimation // IEEE Transactions on Power Systems. March 2024. Vol. 39, no. 2. Pp. 2879–2892. DOI: 10.1109/TPWRS.2023.3282413.
22. Ngo Q.-H., Nguyen B. L. H., Vu T. V., Zhang J. and Ngo T. Physics-informed graphical neural network for power system state estimation // Applied Energy. Mar. 2024. Vol. 358. 122602. DOI: 10.1016/j.apenergy.2023.122602.
23. Habib B., Isufi E., W. van Breda, Jongepier A. and Cremer J. L. Deep Statistical Solver for Distribution System State Estimation // IEEE Transactions on Power Systems. March 2024. Vol. 39, No. 2. Pp. 4039–4050. DOI: 10.1109/TPWRS.2023.3290358.
24. Boyaci O. et al. Graph Neural Networks Based Detection of Stealth False Data Injection Attacks in Smart Grids // IEEE Systems Journal. June 2022. Vol. 16, no. 2. Pp. 2946–2957. DOI: 10.1109/JSYST.2021.3109082.
25. Leus G., Marques A.G., Moura J.M.F., Ortega A. and Shuman D. I. Graph Signal Processing: History, development, impact, and outlook // IEEE Signal Processing Magazine. June 2023. Vol. 40, no. 4. Pp. 49–60. DOI: 10.1109/MSP.2023.3262906.
26. Куликов А. Л., Гурина Л. А., Томин Н. В. Метод восстановления энергорайонов с распределенными энергетическими ресурсами на основе графовых нейронных сетей // Известия РАН. Энергетика. 2026. № 1. C. 44–68. DOI: 10.7868/S3034649526010034.
27. Армеев Д. В., Фишов А. Г. Мультиагентное децентрализованное регулирование частоты и управление балансом активной мощности в электрических сетях с распределенной генерацией // Релейная защита и автоматизация. 2024. № 4 (57). C. 24–33
28. Bolgaryn R. et al. Further developments in pandapower and pandapipes // 2024 Open Source Modelling and Simulation of Energy Systems (OSMSES), Vienna, Austria. 2024. Pp. 1–8. DOI: 10.1109/OSMSES62085.2024.10668998.

Цель исследования: раскрыть содержание основных терминов связанных с понятием «инфраструктурный конфликт» его природу и типологию, определить основные показатели и характеристики.
Метод(ы) исследования: системный анализ, прогностическое моделирование, конфликтологический и рискологический анализ.
Результат(ы) исследования: предложен новый подход к диагностированию и мониторингу деструктивных воздействий инфраструктурного генеза основанный на выявлении конфликтов как внутри объектов критической информационной инфраструктуры, так и извне вызванных кибератаками. Предложена классификация конфликтов, определена их природа и методы их выявления, а также разработана формализованная модель инфраструктурного конфликта, позволяющая диагностировать состояние инфраструктурного конфликта на основе показателей конфликтности и устойчивости. Развитие данной методологии позволит перейти от реактивного реагирования на инциденты информационной безопасности к превентивному управлению устойчивостью объектов критической информационной инфраструктуры, формируя интеллектуальные модели прогнозирования и нейтрализации конфликтных ситуаций. Дальнейшее развитие интеллектуальных систем анализа, основанных на машинном обучении и когнитивном моделировании, открывает возможности управления инфраструктурным конфликтом и позволяет создать основу для автоматизированных систем мониторинга конфликтности и определения устойчивости критической информационной инфраструктуры в реальном времени.
Научная новизна: предложенная формализованная модель инфраструктурного конфликта позволяет развивать теорию информационной безопасности. Выявление и идентификация конфликтов инфраструктурного генеза в качестве эксплуатируемых уязвимостей и угроз информационной безопасности на основе рассмотренной модели позволит создать новый класс средств обеспечения аудита и мониторинга состояния объекта критической информационной инфраструктуры, находящегося под воздействием угроз нарушения его информационной безопасности. Разработан-ная система показателей инфраструктурного конфликта с учетом совершенствования существующих средств защиты информации и мониторинга кибербезопасности объектов критической информационной инфраструктуры позволит синтезировать новый класс систем управления информационной безопасностью в режиме реального времени.
Ключевые слова: конфликт инфраструктурного генеза, мониторинг кибербезопасности, управление информационной безопасностью, проактивная защита, интеллектуальная система анализа, когнитивное моделирование.

1. Стародубцев Ю. И., Закалкин П. В. Структурно-функциональный анализ конфликтной ситуации между государственной системой обеспечения информационной безопасности и иностранной системой деструктивных воздействий // Вопросы кибербезопасности. – 2024. – № 4 (62). С. 82–91. – DOI: 10.21681/2311-3456-2024-4-82-91.
2. Язов Ю. К. Об определении понятия «кибербезопасность» и связанных с ним терминов // Вопросы кибербезопасности. – 2025. – № 1 (65). – С. 2–6. – DOI: 10.21681/2311-3456-2025-1-2-6.
3. The mathematical model of cyber attacks on the critical information system / S. S. Kochedykov, E. V. Grechishnikov, A. V. Dushkin, D. E. Orlova // Journal of Physics: Conference Series, Voronezh, 08–09 февраля 2018 года. Vol. 1202. – Voronezh: Institute of Physics Publishing, 2019. – P. 12013. – DOI: 10.1088/1742-6596/1202/1/012013.
4. Максимова Е. А. Анализ жизненного цикла субъекта критической информационной инфраструктуры в контексте инфраструктурного // Защита информации. Инсайд. – 2021. – № 5 (101). – С. 4–10. – EDN RYYOSO.
5. Гаськова Д. А., Массель А. Г. Технология анализа киберугроз и оценка рисков нарушения кибербезопасности критической инфраструктуры // Вопросы кибербезопасности. – 2019. – № 2 (30). С. 42–49. – DOI: 10.21681/2311-3456-2019-2-42-49.
6. Макаренко С. И., Смирнов Г. Е. Методика обоснования тестовых информационно-технических воздействий, обеспечивающих рациональную полноту аудита защищенности объекта критической информационной // Вопросы кибербезопасности. – 2021. – № 6 (46). – С. 12–25. – DOI: 10.21681/2311-3456-2021-6-12-25.
7. Лаврова Д. С., Зегжда Д. П., Зайцева Е. А Моделирование сетевой инфраструктуры сложных объектов для решения задачи проти-водействия // Вопросы кибербезопасности. – 2019. – № 2 (30). С. 13–20. – DOI: 10.21681/2311-3456-2019-2-13-20.
8. Паршуткин А. В. Концептуальная модель взаимодействия конфликтующих информационных и телекоммуникационных систем // Вопросы кибербезопасности. – 2014. – № 5 (8). – С. 2–6. – EDN TGNIYT.
9. Евневич Е. Л., Фаткиева Р. Р. Моделирование информационных процессов в условиях конфликтов // Вопросы кибербезопасности. – 2020. – № 2 (36). – С. 42–49. – DOI: 10.21681/2311-3456-2020-2-42-49.
10. Анализ конфликтного взаимодействия исполнительных устройств автоматизированных систем управления / А. В. Душкин, С. С. Кочедыков, В. И. Новосельцев [и др.] // Промышленные АСУ и контроллеры. – 2017. – № 10. – С. 8–16. – EDN ZWBFVF.
11. Израилов К. Е., Буйневич М. В. Метод обнаружения атак различного генеза на сложные объекты на основе информации состояния. Часть 1. Предпосылки и схема // Вопросы кибербезопасности. – 2023. – № 3 (55). – С. 90–100. – DOI: 10.21681/2311-3456-2023-3-90-100.
12. Израилов К. Е., Буйневич М. В. Метод обнаружения атак различного генеза на сложные объекты на основе информации состояния. Часть 2. Алгоритм, модель и эксперимент // Вопросы кибербезопасности. – 2023. – № 4 (56). – С. 80–93. – DOI: 10.21681/2311-3456-2023-4-80-93
13. Подсистема предупреждения компьютерных атак на объекты критической информационной инфраструктуры: анализ функционирования и реализации / И. В. Котенко, И. Б. Саенко, Р. И. Захарченко, Д. В. Величко // Вопросы кибербезопасности. – 2023. – № 1 (53). – С. 13–27. – DOI: 10.21681/2311-3456-2023-1-13-27.
14. Кубарев, А. В. Синтез модели объекта критической информационной инфраструктуры для безопасного функционирования тех-нической системы в условиях деструктивного информационного воздействия / А. В. Кубарев, А. П. Лапсарь, А. А. Асютиков // Вопросы кибербезопасности. – 2020. – № 6 (40). – С. 48–56. – DOI: 10.21681/2311-3456-2020-06-48-56.
15. Девицына С. Н., Пилькевич П. В. Обеспечение совместимости технических компонентов при создании системы мониторинга инцидентов информационной безопасности // Вопросы кибербезопасности. – 2024. – № 4 (62). – С. 38–44. – DOI: 10.21681/2311-3456-2024-4-38-44.
16. Кубарев А. В. Параметрическое моделирование состояния объектов критической инфраструктурыв условиях деструктивного воздействия / А. В. Кубарев, А. П. Лапсарь, С. А. Назарян // Вопросы кибербезопасности. – 2021. – № 3 (43). – С. 58–67. – DOI: 10.21681/2311-3456-2021-3-58-67.
17. Кубарев А. В. Повышение безопасности эксплуатации значимых объектов критической инфраструктуры с использованием пара-метрических моделей эволюции / А. В. Кубарев, А. П. Лапсарь, Я. В. Федорова // Вопросы кибербезопасности. – 2020. – № 1 (35). – С. 8–17. – DOI: 10.21681/2311-3456-2020-01-08-17.
18. Воеводин В. А. О постановке задачи оценивания устойчивости функционирования объектов критической информационной инфраструктуры // Вопросы кибербезопасности. – 2025. – № 1 (65). С. 41–49. – DOI: 10.21681/2311-3456-2025-1-41-49.
19. Методика обеспечения устойчивости функционирования критической информационной инфраструктуры в условиях информационных воздействий / С. М. Климов, С. В. Поликарпов, Б. С. Рыжов [и др.] // Вопросы кибербезопасности. – 2019. – № 6 (34). – С. 37–48. – DOI: 10.21681/2311-3456-2019-6-37-48.
20. Гурина Л. А. Повышение киберустойчивости SCADA и WAMS при кибератаках на информационно-коммуникационную подсистему ЭЭС // Вопросы кибербезопасности. – 2022. – № 2 (48). С. 18–26. – DOI: 10.21681/2311-3456-2022-2-18-26.
21. Бочков М. В., Васинев Д. А. Моделирование устойчивости критической информационной инфраструктуры на основе иерархических гиперсетей и сетей Петри // Вопросы кибербезопасности. – 2024. – № 1 (59). – С. 108–115. – DOI: 10.21681/2311-3456-2024-1-108-115.
22. Максимова Е. А. Метод оценки инфраструктурной устойчивости субъектов критической информационной инфраструктуры / Е. А. Максимова, М. В. Буйневич // Вестник УрФО. Безопасность в информационной сфере. – 2022. – № 1 (43). – С. 50–63. – DOI: 10.14529/secur220107.
23. Максимова Е. А. Аксиоматика инфраструктурного деструктивизма субъекта критической информационной инфраструктуры // Информатизация и связь. – 2022. – № 1. – С. 68–74. – DOI: 10.34219/2078-8320-2022-13-1-68-74.
24. Бочков М. В., Васинев Д. А. Метод оценки защищенности критической информационной инфраструктуры // Вопросы кибербезопасности. – 2025. – № 4 (68). – С. 17–29. – DOI: 10.21681/2311-3456-2025-4-17-29.
25. Butusov, I. Methodology of security assessment automated systems as objects critical information infrastructure / I. Butusov, A. Romanov // Voprosy Kiberbezopasnosti. – 2018. – No. 1 (25). – P. 2–10. – DOI: 10.21681/2311-3456-2018-1-2-10.
26. Максимова Е. А., Буйневич М. В., Шестаков А. В. Проактивное управление информационной безопасностью субъектов критической информационной инфраструктуры как сложных организационных систем с динамически изменяющейся структурой // Вестник Воронежского института МВД России. – 2023. – № 2. – С. 49–59. – EDN CWISSD.

Цель исследования: разработать и обосновать комплексный подход к обеспечению киберфизической безопасности микроконтроллерных узлов IIoT на основе интеграции методов машинного обучения и криптографии для выявления аномального поведения и атак в реальном времени.
Метод(ы) исследования: применение методов анализа угроз киберфизических систем, машинного обучения для обнаружения аномалий, криптографических методов защиты данных и идентификации устройств, а также имитационного моделирования и экспериментальная верификация на микроконтроллерных платформах IIoT.
Результат(ы) исследования: процесс функционирования системы киберфизической безопасности микроконтроллеров в промышленном Интернете вещей рассматривается как совокупность стохастических событий нормального и аномального поведения IIoT-­устройств, формируемых в процессе обмена данными, выполнения управляющих команд и воздействия физических факторов. Возникновение аномалий моделируется как поток событий отклонения параметров функционирования микроконтроллеров и сетевых взаимодействий от эталонных профилей, формируемых методами машинного обучения. В результате каждого такого события осуществляется интеллектуальная классификация состояния узла IIoT с последующей инициацией криптографически защищённых механизмов реагирования, направленных на предотвращение компрометации данных и нарушения технологического процесса. Вводится понятие деградации уровня киберфизической безопасности, заключающееся в накоплении нераспознанных аномальных состояний, приводящих к снижению доверия к данным, росту уязвимостей и нарушению целостности управления. Анализируется вероятность наступления деградации системы при стационарном и нестационарном характере потока аномальных событий, зависящем от режимов работы оборудования и внешних воздействий. Показано, что при изменяющейся во времени интенсивности аномалий наблюдается нелинейный характер изменения вероятности деградации, обусловленный адаптацией моделей машинного обучения и динамикой криптографических процедур. Для линейного и экспоненциального изменения интенсивности аномальных событий получены зависимости, позволяющие определить моменты максимального риска деградации системы безопасности, которые определяются скоростью изменения эксплуатационных условий и параметров обучения моделей. Полученные результаты позволяют обосновать эффективность комплексного применения машинного обучения и криптографии для повышения устойчивости микроконтроллерных IIoT­-систем.
Научная новизна: введено и формализовано понятие деградации уровня киберфизической безопасности микро­контроллерных систем промышленного Интернета вещей, обусловленной накоплением невыявленных аномальных состояний. Процесс функционирования системы киберфизической безопасности IIoT в контексте анализа деградации рассмотрен как стохастический поток событий нормального и аномального поведения, интенсивность которого изменяется во времени. Проанализирован характер изменения вероятности деградации при нестационарной интенсивности потока аномальных событий, выявлен эффект максимального риска с последующим снижением вероятности деградации, обусловленный адаптацией моделей машинного обучения и динамикой криптографических механизмов защиты.

1. Иванов А. А. Ключевые понятия системного подхода к адаптивному мониторингу информационной безопасности киберфизических систем // Цифровая трансформация общества и информационная безопасность: Материалы Всероссийской научно-практической конференции, Екатеринбург, 18 мая 2022 года / Отв. за выпуск: А. Ю. Коковихин, Д. М. Назаров, отв. редактор С. В. Бегичева. – Екатеринбург: Уральский государственный экономический университет, 2022. – С. 17–20. – EDN EDBGCW.
2. Борисов А. В. Алгоритм робастной фильтрации марковских скачкообразных процессов по высокочастотным считающим наблюдениям // Автоматика и телемеханика. – 2020. – № 4. – С. 3–20. – DOI 10.31857/S0005231020040017.
3. Цифровая трансформация промышленности: тенденции, управление, стратегии: Сборник научных статей. – Екатеринбург: Институт экономики Уральского отделения РАН, 2022. – 312 с. – ISBN 978-5-94646-673-8.
4. Иванов М. А. Стохастические методы защиты информации // Безопасность информационных технологий. – 2024. – Т. 31, № 3. – С. 83–93. – DOI 10.26583/bit.2024.3.03.
5. Намиот Д. Е. Искусственный интеллект и кибербезопасность / Д. Е. Намиот, Е. А. Ильюшин, И. В. Чижов // International Journal of Open Information Technologies. – 2022. – Т. 10, № 9. – С. 135–147. – EDN DYQWEH.
6. Котенко И. В. Методы интеллектуального анализа системных событий для обнаружения многошаговых кибератак: использование методов машинного обучения / И. В. Котенко, Д. А. Левшун // Искусственный интеллект и принятие решений. – 2023. – № 3. – С. 3–15. – DOI: 10.14357/20718594230301.
7. Кулешов С. В. Фундаментальные основы информационной и кибербезопасности в IIoT // Годовой отчет СПб ФИЦ РАН. – 2022. – С. 55. – EDN: XPVTGJ.
8. Kotenko I., Saenko I., Lauta O., Kribel A. Ensuring the survivability of embedded computer networks based on early detedtion of cyber-attacks by integrating fractal analysis and statistical method // Microprocessors and Microsystemsthis. – 2022. – Vol. 90. – P. 104459. – EDN: YIGFFX.
9. Васильев В. И. Обнаружение аномалий в системах промышленного Интернета вещей на основе искусственной иммунной системы / В. И. Васильев, В. Е. Гвоздев, Р. Р. Шамсутдинов // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2021. – Т. 24, № 4. – С. 40–45. – DOI 10.21293/1818-0442-2021-24-4-40-45.
10. Аменицкий А. В. Актуальные тенденции кибербезопасности // Актуальные вопросы науки, технологий и общества: Монография. Пенза: Наука и Просвещение (ИП Гуляев Г. Ю.), 2025. – С. 92–120. – EDN BVTRQM.

Целью исследования является разработка системы метрик для анализа защищённости программных продуктов и бизнес-­линий крупной организации, основанной на интеграции показателей риска и дисциплины устранения уязвимостей. Модель ориентирована на обеспечение сопоставимости объектов и управленческую интерпретацию уровня защищённости.
Метод исследования: базируется на иерархической агрегации данных тикет-­систем (тикет на исправление уязвимости → продукт → бизнес­-линия → организация) и нормализации показателей в диапазон [0;1]. Применяется мультипликативная интеграция риска и нарушения SLA, дополненная маржинальными оценками вклада отдельных уязвимостей. Валидация выполнена на данных крупной технологической компании с использованием аналитического хранилища.
Результаты исследования: разработана модель метрик, обеспечивающая переход от «сырых» данных тикетов к интегральному рейтингу (0–100), отражающему уровень защищённости на разных уровнях организационной иерархии. На уровне продукта модель позволяет фиксировать дисциплину устранения уязвимостей, включая просрочки и приоритеты. На уровне бизнес-линии агрегированные показатели выявляют систематические нарушения SLA и дают возможность сопоставлять команды между собой. На стратегическом уровне рейтинг служит индикатором распределения технического долга и зрелости процессов взаимодействия между информационной безопасностью и разработкой. Пилотное внедрение охватило 112 продуктов и 22 бизнес­-линии, при этом зафиксирован рост интегральных рейтингов на 10–50 пунктов и сокращение ручной нагрузки специалистов безопасности примерно на 20 %. В пилотируемой бизнес-­линии, находившейся в «красной зоне», рейтинг вырос с 9 до более чем 50 пунктов за один месяц, что обеспечило переход в «жёлтую зону». Ограничением исследования является локальность пилота: валидация проведена в одной организации, что определяет прикладной характер выводов. Полученные результаты подтверждают, что предложенная модель применима как инструмент анализа защищённости и может быть интегрирована в управленческие практики.
Научная новизна: заключается в прикладной интеграции показателей риска и дисциплины устранения в единую иерархическую модель анализа защищённости. Такой подход позволяет рассматривать защищённость как управляемый процесс, поддающийся количественному сравнению между продуктами и бизнес-­направлениями.
Ключевые слова: анализ защищённости; количественная оценка; метрики информационной безопасности; уязвимости; SLA; дисциплина устранения; тикет-­система; иерархическая агрегация; интегральный рейтинг

1. Spring J. M., Hatleback E., Householder A. D., Manion A., Shick D. Time to change the CVSS? // IEEE Security & Privacy. 2021. Vol. 19 (2). P. 74–78. DOI: 10.1109/MSEC.2020.3044475.
2. Howland H. CVSS: Ubiquitous and broken // Digital Threats: Research and Practice. 2023. Vol. 4 (1). P. 1–12. DOI: 10.1145/3491263.
3. Nowak M. R., Walkowski M., Sujecki S. Support for the vulnerability management process using conversion CVSS base score 2.0 to 3.x // Sensors. 2023. Vol. 23 (4). P. 1802. DOI: 10.3390/s23041802.
4. Du X., Zhang S., Zhou Y., Du H. A vulnerability severity prediction method based on bimodal data and multi-task learning // Journal of Systems and Software. 2024. Vol. 213. Art. 112039. DOI: 10.1016/j.jss.2024.112039.
5. Iannone G., Squillero G., Tonda A. Early and realistic exploitability prediction of just-disclosed software vulnerabilities: how reliable can it be? // ACM Transactions on Software Engineering and Methodology. 2024. Vol. 33 (7). P. 1–27. DOI: 10.1145/3654443.
6. Sharma R., Sibal R., Sabharwal S. Software vulnerability prioritization using vulnerability description // International Journal of System Assurance Engineering and Management. 2021. Vol. 12 (1). P. 58–64. DOI: 10.1007/s13198-020-01021-7.
7. Manjunatha A., Kota K., Babu A. S., Vivek S. S. CVE Severity Prediction From Vulnerability Description Using GPT-2: An Explainable Deep Learning Approach // Procedia Computer Science. 2024. Vol. 231. P. 3105–3117. DOI: 10.1016/j.procs.2024.04.294.
8. Massacci F. The holy grail of vulnerability predictions // IEEE Security & Privacy. 2024. Vol. 22 (1). P. 4–6. DOI: 10.1109/MSEC.2023.3333936.
9. Bhatt N., Anand A., Yadavalli V. S. S. Exploitability prediction of software vulnerabilities using statistical learning // Quality and Reliability Engineering International. 2021. Vol. 37 (5). P. 2224–2240. DOI: 10.1002/qre.2754.
10. Левшун Д. С., Веснин Д. В., Котенко И. В. Прогнозирование категорий уязвимостей в конфигурациях устройств с помощью ИИ // Вопросы кибербезопасности. 2024. № 3 (61). С. 33–39. DOI: 10.21681/2311-3456-2024-3-33-39.
11. Edwards B., Roytman M., Jacobs J., Adjerid I. EPSS performance evaluation using real-world exploit data // Digital Threats: Research and Practice. 2022. Vol. 3 (2). P. 45–60. DOI: 10.1145/3541234.
12. Liu H., Tang Y. Common vulnerability scoring system prediction based on open-source intelligence // Computers & Security. 2023. Vol. 128. P. 103286. DOI: 10.1016/j.cose.2023.103286.
13. Ahmadi-Mehri V., Bassilakis K., Younis M., Khaleel S. Automated context-aware vulnerability risk management (ACVRM) framework using normalization stage for CVE severity aggregation // Electronics. 2022. Vol. 11 (21). P. 3580. DOI: 10.3390/electronics11213580.
14. Parente F. R., Rodrigues E. B., Mattos C. L. C. FRAPE: A Framework for Risk Assessment, Prioritization and Explainability of Vulnerabilities in Cybersecurity // Journal of Information Security and Applications. 2025. Vol. 89. P. 103971. DOI: 10.1016/j.jisa.2025.103971.
15. Yu X., He T. Robust statistical framework for cyber vulnerability prioritization // Expert Systems with Applications. 2024. Vol. 239. P. 124572. DOI: 10.1016/j.eswa.2024.124572.
16. Hu Q., Wang Y. Improving vulnerability remediation through better exploit prediction // Journal of Cybersecurity. 2020. Vol. 6 (1). P. tyaa015. DOI: 10.1093/cybsec/tyaa015.
17. Jung B., Li Y., Bechor T. CAVP: a context-aware vulnerability prioritization model // Computers & Security. 2022. Vol. 116. P. 102639. DOI: 10.1016/j.cose.2022.102639.
18. Poolsappasit N., Dewri R., Ray I. Dynamic Security Risk Management Using Attack Graphs // IEEE Transactions on Dependable and Secure Computing. 2020. Vol. 17 (1). P. 123–136. DOI: 10.1109/TDSC.2017.2754491.
19. Леонов Н. В. Противодействие уязвимостям программного обеспечения. Часть 1. Онтологическая модель // Вопросы кибербезопасности. 2024. № 2 (60). С. 87–92. DOI: 10.21681/2311-3456-2024-2-87-92.
20. Farris K. A., Shah A., Cybenko G., Ganesan R. VULCON: A system for vulnerability prioritization, mitigation, and management // ACM Transactions on Privacy and Security. 2018. Vol. 21 (4). P. 1–28. DOI: 10.1145/3196884.

Цель исследования: сформировать подход к повышению устойчивости LLM­-сервисов к атакам класса Prompt Injection и оценить, как использование компонента LLM Security Proxy влияет на уровень защищенности такого сервиса.
Методы исследования: анализ угроз безопасности больших языковых моделей, построение модели нарушителя и классификации атак класса Prompt Injection, марковская модель состояний безопасности LLM-­сервиса. Для оценки предложенных решений применено моделирование вероятностей перехода сервиса между безопасным и скомпромтированными состояниями.
Результаты исследования: разработан подход к защите LLM­-сервисов от атак класса Prompt Injection, объединяющий модель нарушителя, классификацию атакующих воздействий, архитектуру LLM Security Proxy и модель состояний безопасности. Показано, что атаки данного класса реализуются через неоднородные механизмы дестабилизации работы сервиса, вследствие чего защита должна охватывать несколько уровней его функционирования. В состав предложенного решения входят семантическая проверка входных инструкций, выбор режима обработки, разграничение контекста, контроль обращений к инструментам и анализ выходных данных. Моделирование показало, что применение LLM Security Proxy уменьшает вероятность перехода системы в критические состояния S3–S4 и увеличивает вероятность сохранения безопасного состояния S1. Наибольший эффект получен для атак, направленных на инструментальные вызовы и извлечение данных.
Научная новизна: предложена единая методика, объединяющая модель нарушителя для атак класса Prompt Injection, классификацию атак, архитектуру LLM Security Proxy и марковскую модель состояний безопасности. Это позволяет количественно оценивать влияние различных механизмов Prompt Injection на защищенность LLM­-сервиса и результативность сервисной защиты.
Ключевые слова: большие языковые модели; LLM­-сервисы; защищенность сервиса; Prompt Injection; нарушитель; защита контекста; инструментальные вызовы; сервисный уровень защиты; марковское описание состояний

1. Евглевская Н. В., Казанцев А. А. Обеспечение безопасности сложных систем с интеграцией больших языковых моделей: анализ угроз и методов защиты // Экономика и качество систем связи. 2024. № 4. С. 129–144.
2. Частикова В. А., Бахтин А. С., Меркулов П. А. Разработка методики интеграции больших языковых моделей в процессы центра мониторинга информационной безопасности // Известия ЮФУ. Технические науки. 2025. № 4. С. 57–69. DOI: 10.18522/2311-3103-2025-4-57-69.
3. Мударова Р. М., Намиот Д. Е. Противодействие атакам типа инъекция подсказок на большие языковые модели // International Journal of Open Information Technologies. 2024. Т. 12. № 5. С. 39–48.
4. Gupta M., Akiri C., Aryal K., Parker E., Praharaj L. From ChatGPT to ThreatGPT: Impact of Generative AI in Cybersecurity and Privacy // IEEE Access. 2023. Vol. 11. Pp. 80218–80245. DOI: 10.1109/ACCESS.2023.3300381.
5. Конев А. А., Паюсова Т. И. Большие языковые модели в информационной безопасности и тестировании на проникновение: систе-матический обзор возможностей применения // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25. № 1. С. 42–52. DOI: 10.17586/2226-1494-2025-25-1-42-52.
6. Салов И. В., Абрамов Н. Р. Угрозы информационной безопасности больших языковых моделей нейросетей // Информационные технологии. 2024. № 3. С. 45–52.
7. Лапонина О. Р., Костин Р. Н. Разработка программного обеспечения моделирования угроз для систем на базе LLM-агентов // International Journal of Open Information Technologies. 2025. Т. 13. № 6. С. 16–24.
8. Намиот Д. Е., Ильюшин Е. А. О киберрисках генеративного искусственного интеллекта // International Journal of Open Information Technologies. 2024. Т. 12. № 10. С. 109–119.
9. Намиот Д. Е., Ильюшин Е. А. О кибербезопасности ИИ-агентов // International Journal of Open Information Technologies. 2025. Т. 13. № 9. С. 13–24.
10. Алиев К. К. О. Применение больших языковых моделей для анализа вредоносного характера текста // Информационные технологии и вычислительные системы. 2025. № 1. С. 54–62.
11. Лебединский Ю. Е., Намиот Д. Е. Состязательное тестирование больших языковых моделей // International Journal of Open Information Technologies. 2025. Т. 13. № 11. С. 132–152.
12. Бочков М. В., Васинев Д. А. Метод оценки защищенности критической информационной инфраструктуры // Вопросы кибербезопасности. 2025. № 4 (68). С. 17–29. DOI: 10.21681/2311-3456-2025-4-17-29.
13. Намиот Д. Е. Что LLM знает о кибербезопасности // International Journal of Open Information Technologies. 2025. Т. 13. № 7. С. 37–46.
14. Евглевская Н. В., Казанцев А. А. Методика повышения защищенности llm-сервисов с применением llm security proxy // Экономика и качество систем связи. – 2026. – Т. 1. – №. 39. – С. 185–193.
15. Герасименко Д. В., Намиот Д. Е. Извлечение тренировочных данных: риски и решения в контексте безопасности LLM // International Journal of Open Information Technologies. 2024. Т. 12. № 11. С. 24–34.
16. Грибунин В. Г., Майоров С. А., Мурашко А. А. Об атаках на большие фундаментальные модели // Вопросы кибербезопасности. 2025. № 4 (68). С. 30–34. DOI: 10.21681/2311-3456-2025-4-30-34.
17. Yao Y., Duan J., Xu K., Cai Y., Sun Z., Zhang Y. A Survey on Large Language Model (LLM) Security and Privacy: The Good, the Bad, and the Ugly // High-Confidence Computing. 2024. Vol. 4. No. 2. Art. 100211. DOI: 10.1016/j.hcc.2024.100211.
18. Liu B., Xiao B., Jiang X., Cen S., He X., Dou W. Adversarial Attacks on Large Language Model-Based System and Mitigating Strategies: A Case Study on ChatGPT // Security and Communication Networks. 2023. Vol. 2023. Art. 8691095. DOI: 10.1155/2023/8691095.
19. Campbell M., Warkentin M., Westerman G. Disinfecting AI: Mitigating Generative AI’s Top Risks // Computer. 2024. Vol. 57. No. 5. P. 111–116. DOI: 10.1109/MC.2024.3374433.
20. Happe A., Cito J. Getting Pwn’d by AI: Penetration Testing with Large Language Models // Proceedings of the 31st ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering. 2023. P. 2082–2086. DOI: 10.1145/3611643.3613083.
21. Котенко И. В., Абраменко Г. Т. Использование больших языковых моделей для поиска угроз кибербезопасности на основе методов глубокого обучения: анализ современных исследований // Правовая информатика. 2024. № 1. С. 63–72. DOI: 10.24412/1994-1404-2024-1-63-72.

Цель исследования: внедрение индикаторов компрометации и технологий киберразведки для повышения защищённости организаций от целевых кибератак в условиях увеличения требований к защите информации. Работа направ­лена на формирование адаптивного портфеля данных киберразведки, представляющего собой набор данных из различных источников о существующих угрозах.
Методы исследования: исследование основывается на системном анализе, открытых источников данных об инди­каторах компрометации, способах их извлечения и методах применения при организации киберразведки внутри защищаемой инфраструктуры и систематизации знаний.
Результаты исследования: предложена методика систематизации и выбора источников киберразведки с учётом качества, актуальности и отраслевой специфики, а также разработаны авторские метрики (Coverage, Detection Effect, Integration Speed) для оценки практической эффективности интегрируемых индикаторов. Приведенное кейс-­исследование подтверждает высокую результативность предложенного подхода по созданию и внедрению адаптивного портфеля данных киберразведки в реальных условиях крупной финансовой организации. Рассмотрены ключевые факторы успеха, типичные сложности и перспективы применения машинного обучения для повышения качества данных киберразведки.
Практическая ценность: заключается в разработке и апробации адаптивного портфеля киберразведки, позволяю­щего своевременно выявлять и предотвращать современные угрозы в условиях стремительного роста количества и сложности атак. Данное исследование в области кибербезопасности показало эффективность адаптивных портфелей киберразведки, интеграции индикаторов компрометации и необходимость в дальнейшем развивать алгоритмы машинного обучения.
Ключевые слова: индикаторы компрометации, информационная безопасность, оценка эффективности, целевые атаки, центр мониторинга информационной безопасности, целевая атака.

1. Араззи, М., Аррикат, Д. Р., Николаззо, С., Ночера, А., Рехиман К. А., Винод, П. В., Конти, М. NLP-Based Techniques for Cyber Threat Intelligence // arXiv preprint arXiv:2311.08807. – 2023. – С. 1–16.
2. Бодмер, Ш., Килгер, М., Карпентер, Г., Джонс, Дж. Reverse Deception: Organized Cyber Threat Counter-Exploitation. // Нью-Йорк: McGraw-Hill, – 2022. – С. 464.
3. Мещеряков Р. В., Исхаков С. Ю. Исследование методов формирования индикаторов компрометации от внутренних источников информационных и киберфизических систем // Вопросы кибербезопасности. – 2023. – № 6 (58). – С. 35-49. – DOI 10.21681/2311-3456-2023-6-35-49
4. Дехгантанха А., Дехгантанха М., Конт М. Cyber Threat Intelligence: Principles and Practices // IEEE Access. – 2019. – Т. 7. – С. 123–138.
5. Калтаджироне С. Industrial Control Threat Intelligence. – 2019. – С. 92.
6. Конти М., Дехгантанха А., Даргахи Т. Cyber Threat Intelligence: Challenges and Opportunities // arXiv preprint:1808.01162. – 2018. – С. 1–6.
7. Ли Ч., Зенг Дж., Чен Я., Лян Ж. AttacKG: Constructing Technique Knowledge Graph from Cyber Threat Intelligence Reports // arXiv preprint arXiv:2111.07093. – 2021. – С. 1–12.
8. Пейс Кр. The Threat Intelligence Handbook: A Practical Guide for Security Teams to Detect, Analyze, and Respond to Cyber Threats. // Нью-Йорк: Recorded Future, 2018. – С. 146.
9. Стеффенс Т. Attribution of Advanced Persistent Threats: How to Identify the Actors Behind Cyber-Espionage. – 2018. – С. 128.
10. Трифонов Р., Наков О., Младенов В. Threat Intelligence in Cybersecurity // Proceedings of the 2018 International Conference on Intelligent and Innovative Computing Applications (ICONIC). – 2018. – С. 1–5.
11. Чисмон Д., Рукс М. Threat Intelligence: Collecting, Analysing, Evaluating. // MWR InfoSecurity, 2018. – С. 6.
12. Вагнер Т. Д., Махбуб К., Паломар Э., Абдалла А. Э. Cyber threat intelligence sharing: Survey and research directions // Computers & Security. – 2019. – Т. 87. – Article 101589.
13. Шлетте Д., Казелли М., Пернул Г. A Comparative Study on Cyber Threat Intelligence: The Security Incident Response Perspective // IEEE Communications Surveys & Tutorials. – 2021. – Т. 23, № 4. – С. 2525–2556. DOI: 10.1109/COMST.2021.3117338.
14. Джо Х., Ли Й., Шин С. Vulcan: Automatic extraction and analysis of cyber threat intelligence from unstructured text // Computers & Security. – 2022. – Т. 120. – Article 102763. DOI: 10.1016/j.cose.2022.102763.
15. Обеспечение информационной безопасности российских финансовых организаций: концепция кибериммунитета / Е. В. Булгакова, А. Н. Кубанков, К. А. Гудкова, В. В. Булгаков // Цифровые технологии и право: Сборник научных трудов III Международной научно-практической конференции. В 6 томах, Казань, 20 сентября 2024 года. – Казань: Издательство «Познание», 2024. – С. 151–157.
16. Сун Н., Дин М., Цзян Ц. Cyber Threat Intelligence Mining for Proactive Cybersecurity Defense: A Survey and New Perspectives // IEEE Communications Surveys & Tutorials. – 2023. DOI: 10.1109/COMST.2023.3273282.
17. Чен Ш.-Ш., Хван Р.-Х., Али А., Лин Й.-Д., Вэй Ю.-Ч., Пай Т.-В. Improving quality of indicators of compromise using STIX graphs // Computers & Security. – 2024. – Т. 144. – Article 103972. DOI: 10.1016/j.cose.2024.103972.

Цель исследования: оптимизация показателей незаметности встраивания данных в контейнер.
Метод(ы) исследования: дискретное преобразование Фурье, симплекс­метод решения задачи линейного программирования, корреляционный анализ.
Результат(ы) исследования: в работе приведен обзор литературы по оптимизации в стеганографических алгоритмах, сформулированы содержательная и математическая постановки задач кодирования сообщения при встраивании его в графический файл. В математической постановке задачи неизвестными переменными являются место встраивания вектора ­сообщения в вектор коэффициентов, полученных из изображения с помощью дискретного преобразования Фурье и являющимися действительными частями комплексных чисел, и новые коэффициенты после кодирования сообщения. Показатель качества – сумма модулей изменения коэффициентов. Поставленная задача была сведена к задаче линейного программирования (ЗЛП) путем избавления от функции модуля в показателе и введением дополнительных ограничений, для ее решения применен симплекс­-метод. Проведен экспериментально корреляционный анализ между показателями среднеквадратической ошибки и суммой модулей изменения коэффициентов, а также «энергетическим» показателем и некоторыми другими. Предложен приближенный алгоритм поиска места встраивания без решения ЗЛП на каждом шаге переборного алгоритма на основе вычисления «энергетического» показателя. Проведена оценка максимального размера сообщения, которое может быть встроено в файл без ошибок, также представлены зависимости показателей ошибки и пикового отношения сигнал­-шум от размера сообщения.
Научная новизна: математическая постановка задачи минимизации суммы модулей изменений коэффициентов при встраивании данных в контейнер и сведение ее к задаче линейного программирования, а также приближенный алгоритм решения на основе «энергетического» показателя.
Ключевые слова: отношение сигнал-­шум, коэффициент корреляции, среднеквадратическая ошибка, незаметность встраивания, показатель качества оптимизации, задача линейного программирования, симплекс-­метод.

1. Мельман А. С., Евсютин О. О. Эффективное и безошибочное сокрытие информации в гибридном домене цифровых изображений с использованием метаэвристической оптимизации // Компьютерные исследования и моделирование, 2023. Т. 15. № 1. С. 197–210. DOI: 10.20537/2076-7633-2023-15-1-197-210.
2. Anna Melman, Oleg Evsutin. Comparative study of metaheuristic optimization algorithms for image steganography based on discrete Fourier transform domain. Applied Soft Computing. 2023. Vol. 132. DOI: 10.1016/j.asoc.2022.109847.
3. Richard Apau, Frimpong Twum, Michael Asante, James Ben Hayfron-Acquah. A Secure and High Embedding Capacity Image Steganography Scheme Using Image Enhancement Technique, Compression, and Genetic Algorithm. Proceedings of Ninth International Congress on Information and Communication Technology (ICICT 2024). Р. 307–325. DOI: 10.1007/978-981-97-5441-0_27.
4. Sabyasachi Pramanik, R. P. Singh, Ramkrishna Ghosh. Application of bi-orthogonal wavelet transform and genetic algorithm in image steganography. Multimedia Tools and Applications. 2020. Vol. 79. P. 17463–17482. DOI: 10.1007/s11042-020-08676-1.
5. Aya Jaradat, Eyad Taqieddin, Moad Mowafi. A High-Capacity Image Steganography Method Using Chaotic Particle Swarm Optimization. Security and Communication Networks. 2021. DOI: 10.1155/2021/6679284.
6. Sabyasachi Pramanik, Debabrata Samanta, Samir Kumar Bandyopadhyay, Ramkrishna Ghosh. A New Combinational Technique in Image Steganography. International Journal of Information Security and Privacy (IJISP). 2021. Vol. 15. Iss. 3. DOI: 10.4018/IJISP.2021070104.
7. Zinah Khalid Jasim Jasim, Sefer Kurnaz. An Improved Image Steganography Security and Capacity Using Ant Colony Algorithm Optimization. Computers, Materials & Continua. 2024. 80(3). P. 4643–4662. DOI: 10.32604/cmc.2024.055195.
8. Ahmed Shihab Ahmed, Hussein Ali Salah. High Security and Robustness Image Steganography Based On Ant Colony Optimization Algorithms and Discrete Cosine Transform. Journal of Education for Pure Science- University of Thi-Qar. 2023. Vol. 13. No. 4. P. 118–150. DOI: 10.32792/jeps.v13i4.370.
9. Narimen Hafsi, Hanaa Hachimi, Djamel Benterki, Yacine Slimani. Genetic-Firefly Algorithm Based Approach in Image Steganography. 2025 11th International Conference on Optimization and Applications (ICOA). DOI: 10.1109/ICOA66896.2025.11236921.
10. Sahil Nokhwal, Manoj Chandrasekharan, Ankit Chaudhary. Secure information embedding in images with hybrid firefly algorithm. 2023 India International Congress on Computational Intelligence. 2024. Vol. 37. P. 27675–27688. DOI: 10.1007/s00521-024-10712-2.
11. Макаренко С. И. Эталонная модель взаимодействия стеганографических систем и обоснование на ее основе новых направлений развития теории стеганографии // Вопросы кибербезопасности. 2014. № 2 (3). С. 24–32.
12. Сивачев А. В., Прохожев Н. Н., Михайличенко О. В., Башмаков Д. А. Эффективность стеганоанализа на основе методов машинного обучения // Вопросы кибербезопасности. 2017. № 2 (20). С. 53–60. DOI 10.21581/2311-3456-2017-2-53-60.
13. Глинская Е. В., Чичварин Н. В. Информационная безопасность открытых каналов передачи проектной документации, продуцируемой в САПР // Вопросы кибербезопасности. 2014. № 4 (7). С. 11–22.
14. Абасова А. М., Бабенко Л. К. Защита информационного содержания изображений в условиях наличия деструктивного воздействия // Вопросы кибербезопасности. 2019. № 2 (30). С. 50–57. DOI 10.21681/2311-3456-2019-2-50-57.
15. Козачок А. В., Копылов С. А., Бочков М. В. Оценка параметров необнаруживаемости разработанного подхода к маркированию текстовых электронных документов // Вопросы кибербезопасности. 2020. № 1 (35). С. 62-73. DOI 10.21681/2311-3456-2020-01-62-73.
16. Сысоев В. В., Быков А. Ю. Алгоритмы обработки цифрового водяного знака для защиты авторских прав на графические файлы // Вопросы кибербезопасности. 2025. № 5 (69). С. 139–148. DOI 10.21681/2311-3456-2025-5-139-148.

Цель работы: разработать формализованный подход к глобальной оптимизации устойчивости национальных блокчейн-­платформ и экосистем к классическим и квантовым атакам на основе QUBO-­модели совокупного риска и квантово ­вдохновлённых алгоритмов имитированной бифуркации.
Методы исследования: теоретико-­игровая интерпретация QUBO-­модели риска как потенциальной игры с построением функций локальных выигрышей для каждой переменной, разработка алгоритма GdSB, сочетающего этап SB-­фазу с локальной донастройкой с помощью игровой фазы, численное экспериментальное исследование алгоритмов SB, dSB, HdSB, GdSB и генетического алгоритма на синтетических QUBO-­задачах размерности от 20 до 200 переменных с оценкой качества решения и времени достижения целевого уровня.
Результаты исследования: на основе теоретико-­игровой интерпретации QUBO­-модели совокупного риска как потенциальной игры разработан новый алгоритм GdSB (Game-­theoretic discrete Simulated Bifurcation), сочетающий этап глобального поиска посредством эволюции по дискретной динамике имитированной бифуркации с этапом локальной оптимизации на основе процедуры выбора лучшего ответа. Алгоритм формализован в виде двухфазной схемы, на первой фазе выполняется эволюция спиновых переменных и импульсов до достижения устойчивого состояния согласно dSB­-динамике, после чего полученная конфигурация преобразуется в бинарное представление. На второй фазе для каждой переменной в случайном порядке вычисляется локальная функция выигрыша и выполняется переключение значения переменной, если это приводит к уменьшению глобальной функции риска, при этом процедура итерируется до достижения локального равновесия. Теоретически обосновано, что в случае потенциальной игры, каковой является QUBO­-задача, упомянутая процедура с обновлением переменных в произвольном порядке гарантированно сходится к локальному равновесию Нэша за конечное число итераций, что обеспечивает корректность второй фазы алгоритма GdSB. Результаты экспериментов показывают, что GdSB не уступает HdSB по качеству найденных решений и во многих режимах превосходит его по ключевым показателям, оставаясь при этом существенно более эффективным, чем используемая в качестве базовой классическая эвристика, при росте размерности задачи и увеличении числа моделируемых уязвимостей и защитных мер.
Научная новизна: в работе впервые предложена интеграция теории потенциальных игр с квантово ­вдохновлённым алгоритмом имитированной бифуркации в виде алгоритма GdSB, а также специализированная QUBO­-модель совокупного риска, адаптированная к задачам обеспечения устойчивости блокчейн­-систем при учёте сложных взаимодействий между уязвимостями и ограниченных ресурсов.
Ключевые слова: блокчейн, устойчивость, квантово­ вдохновлённые алгоритмы, имитированная бифуркация, модель Изинга, квантовый отжиг, теория игр, оптимизация устойчивости

1. Петренко А. С. Решение оптимизационных задач обеспечения квантовой устойчивости национальных блокчейн платформ методом квантового отжига // Защита информации. Инсайд. – 2025. – № 3 (123). – С. 78–90.
2. Петренко А. С., Петренко С. А. Метод оценивания квантовой устойчивости блокчейн платформ // Вопросы кибербезопасности. – 2022. – № 3 (49). – С. 3–22.
3. Петренко А. С. Метод анализа квантовой устойчивости национальных блокчейн экосистем и платформ // Защита информации. Инсайд. – 2025. – № 2 (122). – С. 18–27.
4. Goto H., Endo K., Suzuki M., Sakai Y., Kanao T., Hamakawa Y., et al. High performance combinatorial optimization based on classical mechanics // Science Advances. – 2021. – Vol. 7. – Art. eabe7953.
5. Kanao T., Goto H. Simulated bifurcation assisted by thermal fluctuation // Communications Physics. – 2022. – Vol. 5, no. 1. – Art. 153.
6. Петренко А. С. Метод построения постквантовых алгоритмов ЭЦП с двумя скрытыми группами / А. С. Петренко // Вопросы кибербезопасности. – 2025. – № 2 (58). – С. 52–63. – DOI: 10.21681/2311-3456-2025-2-52-63.
7. Молдовян Н. А., Петренко А. С. Алгебраический алгоритм ЭЦП с двумя скрытыми группами / Н. А. Молдовян, А. С. Петренко // Вопросы кибербезопасности. – 2024. – № 6 (56). – С. 98–107. – DOI: 10.21681/2311-3456-2024-6-98-107.
8. Петренко А. С. Подход к оптимизации устойчивости национальных блокчейн-платформ и экосистем с помощью квантово вдохновлённых алгоритмов. Часть 1 // Вопросы кибербезопасности. – 2026. – № 2 (72) – С. 101–111. – DOI: 10.21681/2311- 3456-2026-2-101-111.

Цель: заключается в построении математической модели киберустойчивых информационных систем, построенных на основе современных блокчейн­-платформ.
Методы исследования: используются теория информации, математический аппарат теории вероятностей и математической статистики, теории построения блокчейн-­систем, теории информационной безопасности.
Результаты: выполнен анализ существующих подходов к оценке надежности и безопасности современных блокчейн-систем. Предложен комплексный подход, при котором учитывается, что на киберустойчивость информационной системы оказывают влияние все составляющие компоненты, которые систематизированы в виде четырех уровней. Предложена математическая модель киберустойчивой информационной системы, основанной на использовании блокчейн-­платформы.
Научная новизна заключается в использовании комплексного подхода к оценке надежности информационных систем, построенных на основе современных блокчейн-технологий. Предложена математическая модель киберустойчивой информационной системы, построенной на основе блокчейн-­платформы.
Ключевые слова: блокчейн, транзакция, блок, консенсус, криптография, криптоанализ, угроза, киберустойчивость, криптокошелек, идентификация, аутентификация

1. Satoshi Nakamoto Bitcoin: A Peer-to-Peer Electronic Cash System // https://www.ussc.gov/sites/default/files/pdf/training/annual-national-training-seminar/2018/ Emerging _Tech_Bitcoin_Crypto.pdf.
2. Ищукова Е. А., Панасенко С. П., Романенко К. С., Салманов В. Д. Криптографические основы блокчейн-технологий. // М.: ДМК Пресс, 2022. – 302 с.
3. Савина, Н. П. Современное состояние и возможности реализации блокчейн технологии в мировой торговле / Н. П. Савина, Д. В. Крупин // Валютное регулирование. Валютный контроль. – 2023. – № 4. – С. 54–60.
4. Панасенко, С. П. Вариант реализации низкоресурсного блокчейна для индустриального интернета вещей / С. П. Панасенко // Теоретическая и прикладная криптография : материалы ІІ Международной научной конференции, Минск, 19–20 октября 2023 года. – Минск: Белорусский государственный университет, 2023. – С. 194–205.
5. InnoChain: распределенный реестр для индустриального применения с формальной верификацией на всех уровнях реализации / В. А. Кухаренко, К. В. Зиборов, Р. Ф. Садыков [и др.] // Моделирование и анализ информационных систем. – 2020. – Т. 27, № 4. – С. 454–471.
6. García-Magariño, I.; Lacuesta, R.; Rajarajan, M.; Lloret, J. Security in networks of unmanned aerial vehicles for surveillance with an agent-based approach inspired by the principles of blockchain. Ad Hoc Netw. 2019, 86, 72–82.
7. Протокол взаимной аутентификации группы объектов с динамической топологией / А. С. Басан, Е. С. Басан, Е. А. Ищукова, А. П. Корнилов // Вопросы кибербезопасности. – 2023. – № 4 (56). – С. 41–52. DOI: 10.21681/2311-3456-2023-4-41-52.
8. Э. В. Мельник, И. Б. Сафроненкова, А. Ю. Таранов. Онтологический подход к решению задачи перераспределения вычислительной нагрузки в распределенной системе мониторинга с мобильными компонентами на базераспределённого реестра // Известия ЮФУ. Технические науки, №5. – 2023. – С. 163–173.
9. В. Д. Салманов Моделирование изменения размера мемпула на основе метода Монте-Карло в условиях неполной исходной информации // Известия ЮФУ. Технические науки, № 6. – 2023. – С. 212–221.
10. Жихарев А. Г. К вопросу о безопасности обработки информации с использованием смарт-контрактов / А. Г. Жихарев, В. В. Кида-нов, О. С. Фефелов // Научный результат. Информационные технологии. – 2023. – Т. 8, № 1. – С. 46–55.
11. Стеганцев Д. С. Угрозы безопасности децентрализованной системы аутентификации на основе технологии блокчейн / Д. С. Стеганцев // Современные тенденции и инновации в науке и производстве: Материалы ХIII международной научно-технической конференции, Междуреченск, 24 апреля 2024 года. – Междуреченск: Кузбасский государственный технический университет им. Т. Ф. Горбачева, 2024.
12. Колобанов Н. А. Безопасность в DeFi: Обзорный анализ уязвимостей и основных методов противодействия / Н. А. Колобанов // Инновации и инвестиции. – 2024. – № 1. – С. 244–247.
13. Петренко А. С., Петренко С. А. Метод оценивания квантовой устойчивости блокчейн-платформ // Вопросы кибербезопасности. 2022. № 3 (49). DOI: 10.21681/2311-3456-2022-3-2-22.
14. Балябин А. А., Петренко С. А. Методика синтеза квантово-устойчивых блокчейн-платформ с кибериммунитетом // Вопросы кибербезопасности. 2025. № 4 (68). DOI: 10.21681/2311-3456-2025-4-46-54.
15. Марков А. С. Кибербезопасность и информационная безопасность как бифуркация номенклатуры научных специальностей // Вопросы кибербезопасности. 2022, № 1 (47), c. 2–9. DOI: 10.21681/2311-3456-2022-1-02-09.
16. Кибербезопасность цифровой индустрии. Теория и практика функциональной устойчивости к кибератакам / Под. ред. Д. П. Зегж-ды. М.: "Горячая линия-Телеком", 2021. – 560 с.
17. Нечипуровский, Д. И. Уязвимости безопасности блокчейна: потенциальные слабые места в технологии блокчейн и способы их устранения / Д. И. Нечипуровский // Научный аспект. – 2024. – Т. 26, № 3. – С. 3224–3228.
18. Guru, Abhishek & Mohapatra, Hitesh & Mohanta, Bhabendu & Altrjman, Chadi & Yadav, Arvind. (2023). A Survey on Consensus Protocols and Attacks on Blockchain Technology. Applied Sciences. 13. 2604. DOI:10.3390/app13042604.
19. Saha, B., Mehedi Hasan, M., Anjum, N., Tahora, S., Siddika, A., and Shahriar, H. «Protecting the Decentralized Future: An Exploration of Common Blockchain Attacks and their Countermeasures», 2023. DOI:10.48550/arXiv.2306.11884.
20. Caldarelli, Giulio & Ellul, Joshua. (2021). The Blockchain Oracle Problem in Decentralized Finance – A Multivocal Approach. Applied Sciences. 11. 7572. DOI: 10.3390/app11167572.
21. Li, Ningran & Qi, Minfeng & Xu, Zhiyu & Zhu, Xiaogang & Zhou, Wei & Wen, Sheng & Xiang, Yang. (2024). Blockchain Cross-Chain Bridge Security: Challenges, Solutions, and Future Outlook. Distributed Ledger Technologies: Research and Practice. DOI:10.1145/3696429.

Цель исследования: повышение эффективности выявления инсайдеров в корпоративных компьютерных сетях на основе моделирования их признаков.
Методы исследования: системный анализ, аналитическое моделирование, гипотетический эксперимент.
Полученные результаты: синтезирована аналитическая модель признаков инсайдера, представляющая собой иерархическую взаимосвязь следующих элементов, вычисляемых последовательно: атомарными индикаторами деятельности в сети, получаемыми из соответствующих источников; агрегаторами индикаторов с более емким содержанием, вычисляемыми по стандартным формулам; непосредственными признаками инсайдера, вычисляемыми по специализированным формулам; итоговом решении о наличии инсайдера в организации. Также сформирован список из 5 источников, 50 индикаторов и 30 агрегаторов (15 признаков были предложены автором в публикациях ранее).
Научная новизна заключается в том, что в отличие от существующих моделей предложенная в работе устанавливает иерархическую взаимосвязь между низкоуровневыми характеристиками трафика корпоративной компьютерной сети и высокоуровневыми признаками действующего в ней инсайдера, позволяя также определять факт его наличия качественно различными способами.
Ключевые слова: корпоративная компьютерная сеть, инсайдер, модель, аналитическая запись, индикатор, агрегатор, признак, искусственный интеллект

1. Добрышин М. М. Иерархическая модель изменения уровня информационной безопасности в условиях компьютерных атак на корпоративную сеть связи // Экономика и качество систем связи. 2024. № 3 (33). С. 108–119.
2. Ушаков И. А. Обоснование демаскирующих признаков инсайдеров в корпоративных компьютерных сетях // Вестник Санкт-Петербургского государственного университета технологии и дизайна. Серия 1: Естественные и технические науки. 2024. № 3. С. 95–106. DOI: 10.46418/2079-8199_2024_3_15.
3. Смирнов Д. В., Грушо А. A., Забежайло М. И., Тимонина Е.Е . Система сбора и анализа информации из различных источников в условиях Big Data // International Journal of Open Information Technologies. 2021. Т. 9. № 4. С. 64–71.
4. Власов Д. С. К вопросу о признаках инсайдерской деятельности // Национальная безопасность и стратегическое планирование. 2024. № 1 (45). С. 35–45. DOI: 10.37468/2307-1400-2024-1-35-45.
5. Моисеенко Г. Ю. Метод противодействия неумышленному инсайдингу путем повышения устойчивости инструкций по работе в информационной системе // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной про-тивопожарной службы МЧС России». 2025. № 4. С. 107–116. DOI: 10.61260/2218-130X-2025-4-107-116.
6. Фадюшин С. Г. Разработка метода диагностики риска инсайдерских угроз // Современные наукоемкие технологии. 2023. № 2. С. 111–115. DOI: 10.17513/snt.39531.
7. Ушаков И. А. Обнаружение инсайдеров в компьютерных сетях на основе комбинирования экспертных правил, методов машинного обучения и обработки больших данных: дис. ... канд. техн. наук: 05.13.19 / Санкт-Петербург, 2020. 215 с.
8. Al-Mhiqani M. N., Alsboui T., Al-Shehari T., Abdulkareem K. H., Ahmad R., Mohammed M. A. Insider threat detection in cyber-physical systems: a systematic literature review // Computers & Electrical Engineering. 2024. Т. 119. С. 109489. DOI: 10.1016/j.compeleceng.2024.109489
9. Хмыров С. С., Котенко И. В., Ушаков И. А. Системный анализ задачи атрибуции нарушителей кибербезопасности и способов компрометации при реализации целевых атак на объекты критической инфраструктуры (ОКИИ) // Вестник Санкт-Петербургского государственного университета технологии и дизайна. Серия 1: Естественные и технические науки. 2025. № 2. С. 69–78. DOI: 10.46418/2079-8199_2025_2_14.
10. Поликаренков А. С., Хализев В. Н., Величко A. A. Модели применения систем индикаторов компрометации для предотвращения компьютерных атак // Электронный сетевой политематический журнал «Научные труды КубГТУ». 2023. № 1. С. 48–59.
11. Саенко И. Б., Котенко И. В., Аль-Барри М. Х. Применение искусственных нейронных сетей для выявления аномального поведения пользователей центров обработки данных // Вопросы кибербезопасности. 2022. № 2 (48). С. 87–97. DOI: 10.21681/2311-3456-2022-2-87-97.
12. Ушаков И. А., Котенко И. В., Овраменко А. Ю., Преображенский А. И., Пелёвин Д. В. Комбинированный подход к обнаружению инсайдеров в компьютерных сетях // Вестник Санкт-Петербургского государственного университета технологии и дизайна. Серия 1: Естественные и технические науки. 2020. № 4. С. 66–71. DOI: 10.46418/2079-8199_2020_4_10.
13. Адилжанова С. А., Курасбек А. Н., Кенжебаева М. О. Применение LLM в кибербезопасности: обзор приложений и уязвимостей LLM // Вестник Академии гражданской авиации. 2025. № 3 (38). С. 118–136. DOI: 10.53364/24138614_2025_38_3_10.
14. Власов Д. С. Мультикритериальная модель систематизации способов обнаружения инсайдера // Вопросы кибербезопасности. 2024. № 2 (60). С. 66–73. DOI: 10.21681/2311-3456-2024-2-66-73.
15. Красов А. В. Модель нарушителя информационной безопасности, использующего стеганографические каналы взаимодействия // Наука и бизнес: пути развития. 2022. № 4 (130). С. 79–88.
16. Скрыль С. В., Мазин А. В., Мещерякова Т. В., Калач А. В., Пономарев М. В., Гуляев О. А. Предотвращение утечки информации по каналам побочных электромагнитных излучений и наводок: модели исследования // Радиопромышленность. 2021. Т. 31. № 2. С. 22–34. DOI: 10.21778/2413-9599-2021-31-2-22-34.
17. Карпова Н. Е., Саранская А. А. Анализ поведения инсайдера в информационной системе в условиях влияния злоумышленника // Инфокоммуникационные технологии. 2025. Т. 23. № 1 (89). С. 64–70. DOI: 10.18469/ikt.2025.23.1.07.

Цель исследования: разработка метода обнаружения чувствительной информации в системах предотвращения утечек данных на основе семантического векторного поиска с усечением ранжированного списка.
Методы исследования: проведён сравнительный анализ традиционных методов текстового анализа (полнотекстовый поиск, регулярные выражения, BM25) и семантического векторного поиска. Для представления текстов использована модель multilingual­-gte­-base. Бинарное решение формировалось на основе усечения ранжированного списка с глобальным порогом релевантности, с применением порогового адаптера TMP Adapter.
Результат(ы) исследования: экспериментальная оценка проводилась на различных сценариях обработки текстов: длинные формализованные документы, короткие вариативные сообщения с шумом и потоковый поисковый сценарий. Качество обнаружения оценивалось по метрикам Accuracy, Precision, Recall и F1. Результаты проведённых экспериментов показывают, что предложенный подход значительно превосходит используемые в области лексические методы во всех сценариях. Использование семантических векторных представлений в сочетании с усечением ранжированного списка обеспечивает более устойчивый баланс полноты обнаружения и уровня ложноположительных срабатываний по сравнению с традиционными методами анализа текста.
Научная новизна: научная новизна работы заключается в формализации задачи обнаружения утечек текстовой информации как задачи семантического поиска с преобразованием результатов ранжирования в бинарное решение посредством адаптивного усечения.
Ключевые слова: информационная безопасность; предотвращение утечек данных; семантический поиск; векторные представления текста; ranked list truncation; обнаружение чувствительной информации

1. Omotunde H., Ahmed M. A Comprehensive Review of Security Measures in Database Systems: Assessing Authentication, Access Control, and Beyond // Mesopotamian Journal of CyberSecurity. – 2023. – pp. 115–133. – DOI 10.58496/MJCSC/2023/016.
2. Марков, А. С. Кибербезопасность и информационная безопасность как бифуркация номенклатуры научных специальностей / А. С. Марков // Вопросы кибербезопасности. – 2022. – № 1 (47). – С. 2–9. – DOI 10.21681/2311-3456-2022-1-2-9.
3. Robertson S. E., Spärck Jones K. Simple, proven approaches to text retrieval. – University of Cambridge, Computer Laboratory, 1994. – №. UCAM-CL-TR-356.
4. Козачок А. В. Оценка параметров необнаруживаемости разработанного подхода к маркированию текстовых электронных документов / А. В. Козачок, С. А. Копылов, М. В. Бочков // Вопросы кибербезопасности. – 2020. – № 1 (35). – С. 62–73. – DOI 10.21681/2311-3456-2020-01-62-73.
5. Abid N. Advancements and best practices in data loss prevention: A comprehensive review //Global Journal of Universal Studies. – 2024. – Т. 1. – №. 1. – С. 190–225.
6. Alhindi H., Traore I., Woungang I. Preventing Data Loss by Harnessing Semantic Similarity and Relevance //J. Internet Serv. Inf. Secur. – 2021. – Т. 11. – №. 2. – С. 78–99. –DOI:10.22667/JISIS.2021.05.31.078.
7. Перспективные направления применения технологий искусственного интеллекта при защите информации / Р. В. Мещеряков, С. Ю. Мельников, В. А. Пересыпкин, А. А. Хорев // Вопросы кибербезопасности. – 2024. – № 4 (62). – С. 2–12. – DOI 10.21681/2311-3456-2024-4-02-12.
8. Gupta I. et al. Tidf-dlpm: Term and inverse document frequency based data leakage prevention model //arXiv preprint arXiv:2203.05367. – 2022.
9. Gupta K., Kush A. A learning oriented DLP system based on classification model //arXiv preprint arXiv:2312.13711. – 2023.
10. Alhindi H., Traore I., Woungang I. Preventing data leak through semantic analysis //Internet of Things. – 2021. – Т. 14. – С. 100073.
11. Минзов А. С. Совершенствование системы защиты коммерческой тайны: принципы, классификация, методы и технологии / А. С. Минзов, А. Ю. Невский, С. А. Минзов // Вопросы кибербезопасности. – 2025. – № 5 (69). – С. 2–14. – DOI 10.21681/2311-3456-2025-5-2-14.
12. Марков, А. С. Важная веха в безопасности открытого программного обеспечения / А. С. Марков // Вопросы кибербезопасности. – 2023. – № 1 (53). – С. 2–12. – DOI 10.21681/2311-3456-2023-1-2-12.
13. Lien Y. C., Cohen D., Croft W. B. An assumption-free approach to the dynamic truncation of ranked lists //Proceedings of the 2019 ACM SIGIR International Conference on Theory of Information Retrieval. – 2019. – С. 79–82.
14. Bahri D. et al. Choppy: Cut transformer for ranked list truncation //Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. – 2020. – С. 1513–1516.
15. Wu C. et al. Learning to truncate ranked lists for information retrieval //Proceedings of the AAAI Conference on Artificial Intelligence. – 2021. – Т. 35. – №. 5. – С. 4453–4461.
16. Ma Y. et al. Incorporating retrieval information into the truncation of ranking lists for better legal search //Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval. – 2022. – С. 438–448.
17. Kweon W. et al. Top-personalized-k recommendation //Proceedings of the ACM Web Conference 2024. – 2024. – С. 3388–3399.
18. Xu S. et al. List-aware reranking-truncation joint model for search and retrieval-augmented generation //Proceedings of the ACM Web Conference 2024. – 2024. – С. 1330–1340.
19. Zhang Q. et al. Threshold-consistent margin loss for open-world deep metric learning //arXiv preprint arXiv:2307.04047. – 2023.
20. Bai A. et al. Regression compatible listwise objectives for calibrated ranking with binary relevance //Proceedings of the 32nd ACM international conference on information and knowledge management. – 2023. – С. 4502–4508.
21. Bahri D. et al. Surprise: Result list truncation via extreme value theory //Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. – 2023. – С. 2404–2408.
22. Sheng X. R. et al. Joint optimization of ranking and calibration with contextualized hybrid model //Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. – 2023. – С. 4813–4822.
23. Rossi N. et al. Relevance filtering for embedding-based retrieval //Proceedings of the 33rd ACM International Conference on Information and Knowledge Management. – 2024. – С. 4828–4835.

Цель исследования: анализ зависимости показателя защищенности распределенных систем Интернета вещей от параметров их функционирования в условиях реализации киберугроз, а также определение направлений повышения защищенности на основе модели, учитывающей наблюдаемое поведение системы, накопление признаков угрозы и ресурсное состояние периферийных узлов.
Методы исследования: использованы методы системного анализа распределенных систем Интернета вещей, статистического описания нормального состояния, оценки текущего отклонения наблюдаемого поведения от профиля нормы, накопительного анализа признаков угрозы, нормирования частных показателей и вычислительного эксперимента на открытом наборе данных IoT-­трафика.
Полученные результаты: предложена модель функционирования распределенных систем Интернета вещей в условиях реализации киберугроз, предназначенная для количественной оценки защищенности как интегрального свойства объекта исследования. Определены состав наблюдаемых параметров, профиль нормального состояния, показатель текущего отклонения, накопленный показатель признаков угрозы и показатель ресурсного состояния, на основе которых формируется интегральная оценка защищенности системы. В вычислительном эксперименте выполнено сравнение предлагаемой модели со статической базовой схемой, не учитывающей адаптивное уточнение профиля нормы и ресурсные ограничения. Полученные результаты подтверждают, что предложенная модель позволяет не только количественно оценивать текущее состояние системы, но и выявлять диапазоны условий, при которых защищенность превышает уровень базовой схемы.
Научная новизна: состоит в том, что, в отличие от подходов, ориентированных преимущественно на обнаружение аномалий и вторжений либо на оценку качества отдельных классификаторов, предложенная модель вводит базовый и минимально допустимый уровни защищенности и позволяет количественно определять прирост защищенности относительно базовой схемы в различных условиях функционирования.
Вклад: Котенко И. В. и Саенко И. Б. – внесли вклад в постановку задачи, определение научно-­методических требований к исследованию и научное редактирование статьи. Липатников В. А. предложил направление исследования, участвовал в постановке задачи и осуществлял научное руководство работой. Андреев И. А. выполнил вычислительный эксперимент, обработал результаты и участвовал в подготовке текста статьи.
Ключевые слова: системы Интернета вещей, кибербезопасность, вторжения, модель функционирования, защищенность, интегральный показатель защищенности, профиль нормального состояния, ресурсные ограничения

1. Pecherle G. D., Györödi R. Ș., Györödi C. A. Federated Learning-Based Intrusion Detection in Industrial IoT Networks // Future Internet. 2026. Vol. 18. No. 1. Art. 2. DOI: 10.3390/fi18010002.
2. Липатников В. А., Макаренко Д. В., Шевченко А. А. Модель процесса функционирования сети передачи данных в условиях нарушений безопасности информации // Информация и космос. 2025. № 3. С. 61–69.
3. Rahim M. A. et al. An intelligent and secure internet of robotic things: A review and conceptual framework // Internet of Things. 2025. Vol. 33. Art. 101684. DOI: 10.1016/j.iot.2025.101684.
4. Khraisat A., Alazab A. A critical review of intrusion detection systems in the Internet of Things: techniques, deployment strategy, validation strategy, attacks, public datasets and challenges // Cybersecurity. 2021. Vol. 4. Art. 18. DOI: 10.1186/s42400-021-00077-7.
5. Krejčí J., Babiuch M., Suder J., Krys V., Bobovský Z. Internet of Robotic Things: Current Technologies, Challenges, Applications, and Future Research Topics // Sensors. 2025. Vol. 25. No. 3. Art. 765. DOI: 10.3390/s25030765.
6. Гайфулина Д. А., Котенко И. В. Анализ моделей глубокого обучения для задач обнаружения сетевых аномалий Интернета вещей // Информационно-управляющие системы. 2021. № 1. С. 28–37. DOI: 10.31799/1684-8853-2021-1-28-37.
7. Kotenko I., Izrailov K., Buinevich M. Static Analysis of Information Systems for IoT Cyber Security: A Survey of Machine Learning Approaches // Sensors. 2022, Vol. 22, Issue 4, 1335. Pp. 1–34. DOI: 10.3390/s22041335.
8. Khan M. A., Khan M. A., Jan S. U., Ahmad J., Jamal S. S., Shah A. A., Pitropakis N., Buchanan W. J. A Deep Learning-Based Intrusion Detection System for MQTT Enabled IoT // Sensors. 2021. Vol. 21. No. 21. Art. 7016. DOI: 10.3390/s21217016.
9. Ferrag M. A., Friha O., Hamouda D., Maglaras L., Janicke H. Edge-IIoTset: A New Comprehensive Realistic Cyber Security Dataset of IoT and IIoT Applications for Centralized and Federated Learning // IEEE Access. 2022. Vol. 10. Pp. 40281–40306. DOI: 10.1109/ACCESS.2022.3165809.
10. Al-Hawawreh M., Sitnikova E., Aboutorab N. X-IIoTID: A Connectivity-Agnostic and Device-Agnostic Intrusion Data Set for Industrial Internet of Things // IEEE Internet of Things Journal. 2022. Vol. 9. No. 5. Pp. 3962–3977. DOI: 10.1109/JIOT.2021.3102056.
11. Al Nuaimi T. et al. A Comparative Evaluation of Intrusion Detection Systems on the Edge-IIoT-2022 Dataset // Intelligent Systems with Applications. 2023. Vol. 20. Art. 200298. DOI: 10.1016/j.iswa.2023.200298.
12. Alani M. M. et al. An Explainable Efficient Flow-Based Industrial IoT Intrusion Detection System // Computers & Electrical Engineering. 2023. Vol. 108. Art. 108732. DOI: 10.1016/j.compeleceng.2023.108732.
13. Li S. et al. Explainable AI-Based Intrusion Detection in IoT Systems // Internet of Things. 2025. Vol. 31. Art. 101589. DOI: 10.1016/j.iot.2025.101589.
14. Krzysztoń E., Rojek I., Mikołajewski D. A Comparative Analysis of Anomaly Detection Methods in IoT Networks: An Experimental Study // Applied Sciences. 2024. Vol. 14. No. 24. Art. 11545. DOI: 10.3390/app142411545.
15. Dong H., Kotenko I. Multi-task Learning Approach for Network Traffic Classification: A Comparative Analysis for Deep Auto Encoders // Future Generation Computer Systems. 2024. Vol.158. September 2024. Pp. 242–254. DOI: 10.1016/j.future.2024.04.005.
16. Bukhari S. M. S., Zafar M. H., Houran M. A., Qadir Z., Moosavi S. K. R., Sanfilippo F. Enhancing Cybersecurity in Edge IIoT Networks: An Asynchronous Federated Learning Approach with a Deep Hybrid Detection Model // Internet of Things. 2024. Vol. 27. Art. 101252. DOI: 10.1016/j.iot.2024.101252.
17. Rahman M. M., Al Shakil S., Mustakim M. R. A Survey on Intrusion Detection System in IoT Networks // Cyber Security and Applications. 2025. Vol. 3. Art. 100082. DOI: 10.1016/j.csa.2024.100082.
18. Aparcana-Tasayco A. J., Deng X., Park J. H. A Systematic Review of Anomaly Detection in IoT Security: Towards Quantum Machine Learning Approach // EPJ Quantum Technology. 2025. Vol. 12. Art. 112. DOI: 10.1140/epjqt/s40507-025-00414-6.
19. Belenguer A., Pascual J. A., Navaridas J. A Review of Federated Learning Applications in Intrusion Detection Systems // Computer Networks. 2025. Vol. 258. Art. 111023. DOI: 10.1016/j.comnet.2024.111023.
20. Dong H., Kotenko I. Cybersecurity in the AI Era: Analyzing the Impact of Machine Learning on Intrusion Detection // Knowledge and Information Systems, Springer Science and Business Media Deutschland GmbH. 2025. 67 (5), Pp.3915–3966, 102748. DOI: 10.1007/s10115-025-02366-w.
21. Mishra R., Mishra A. Current Research on Internet of Things (IoT) Security Protocols: A Survey // Computers & Security. 2025. Vol. 151. Art. 104310. DOI: 10.1016/j.cose.2024.104310.
22. Липатников В. А., Мелехов К. В., Мелихов И. А. Модель процесса функционирования сети передачи данных в условиях многоэтапных атак // Инновационные исследования молодых ученых и проблемы Индустрии 4.0: сб. науч. статей по материалам конферен-ции. Санкт-Петербург, 2024. С. 46–51.
23. Липатников В. А., Шевченко А. А., Синдеев М. А. Модель процесса реагирования администратора безопасности сети на многоэтапные атаки // Перспективные системы и задачи управления: материалы XVII Всероссийской науч.-практ. конф. и XIII молодеж-ной школы-семинара. Таганрог, 2022. С. 127–133.

Цель исследования: адаптация логико-­вероятностного метода оценивания сложных систем к задачам построения систем защиты информации в многоагентной системе.
Метод исследования: при проведении исследования использовались основные положения методологии структурного анализа, системного анализа, теории принятия решений, методов оценивания событий при условии неполной информации, логико-­вероятностных методов.
Полученный результат: данная статья завершает рассмотрение вопросов информационной безопасности на основе анализа отношений между субъектами и объектом защиты. Разработаны вероятностные параметры функции алгебры логики, позволяющие давать количественные и качественные оценки возможности достижения субъектом конечной цели своей деятельности. Показано, что данные параметры могут быть определены на основе соответствую­щих структуры связей и оценок состояний отношений агентов на этих связях. Полученные результаты обеспечивают обоснованное вычисление и использование оценок возможностей субъекта с точки зрения информационной безопасности на основе применения логико­-вероятностного метода.
Научная новизна: рассмотрение вопросов защиты информации с использованием аппарата математических и логических отношений. Разработаны методы количественного оценивания возможностей субъекта по достижению им конечной цели своей деятельности на основе доступных ему информационных ресурсов агентов. Показано, что разработанные вероятностные параметры функции алгебры логики достижения конечной цели субъекта могут быть использованы как исходные данные для прогнозирования действий субъекта, в том числе с точки зрения оценки потребных ресурсов или выбора оптимального пути достижения цели исходя из наличия и доступности данных ресурсов. Разработаны методы, позволяющие получить интегральные оценки возможностей достижения конечной цели субъекта для управления структурой информационных потоков и информационных ресурсов как на уровне отдельных агентов, так и различных подсистем современных информационных систем и систем в целом. Обоснован вывод, что вероятность успеха операций субъекта может быть получена как результат оценки им текущего состояния отношений между агентами ИС на основании данных о функционировании информационных ресурсов и потоков этих агентов. Показано, что при определении успешности операций субъекта, имеющиеся в его распоряжении доводы «против» текущего состояния отношений предпочтительнее доводов «за».
Ключевые слова: модель информационной безопасности, оценка сложной системы, логико-­вероятностный метод, теория отношений, системный анализ

1. Рябинин И. А. Решение одной задачи оценки надежности структурно-сложной системы разными логико-вероятностными методами / И. А. Рябинин, А. В. Струков // Моделирование и анализ безопасности и риска в сложных системах, Санкт-Петербург, 19–21 июня 2019 года. – Санкт-Петербург: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2019. – С. 159–172.
2. Демин А. В. Глубокое обучение адаптивных систем управления на основе логико-вероятностного подхода / А. В. Демин // Известия Иркутского государственного университета. Серия: Математика. – 2021. – Т. 38. – С. 65–83.
3. Викторова В. С. Вычисление показателей надежности в немонотонных логико-вероятностных моделях многоуровневых систем / В. С. Викторова, А. С. Степанянц // Автоматика и телемеханика. – 2021. – № 5. – С. 106–123.
4. Леонтьев А. С. Математические модели оценки показателей надежности для исследования вероятностно-временных характеристик многомашинных комплексов с учетом отказов / А. С. Леонтьев, М. С. Тимошкин // Международный научно-исследователь-ский журнал. – 2023. – № 1 (127). С. 1–13.
5. Пучкова Ф. Ю. Логико-вероятностный метод и его практическое использование / Ф. Ю. Пучкова // Информационные технологии в процессе подготовки современного специалиста: Межвузовский сборник научных трудов / Министерство просвещения Российской Федерации; Федеральное государственное бюджетное образовательное учреждение высшего образования «Липецкий государственный педагогический университет им. П. П. Семенова-Тян-Шанского». Том Выпуск 25. – Липецк: Липецкий государственный педагогический университет им. П. П. Семенова-Тянь-Шанского, 2021. – С. 187–193.
6. Россихина Л. В. О применении логико-вероятностного метода И. А. Рябинина для анализа рисков информационной безопасности / Л. В. Россихина, О. О. Губенко, М. А. Черноситова // Актуальные проблемы деятельности подразделений УИС: Сборник материалов Всероссийской научно-практической конференции, Воронеж, 20 октября 2022 года. – Воронеж: Издательско-полиграфический центр «Научная книга», 2022. – С. 108–109.
7. Карпов А. В. Модель канала утечки информации на объекте информатизации / А. В. Карпов // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2018): VII Международная научно-техническая и научно-методическая конференция. Сборник научных статей. В 4-х томах, Санкт-Петербург, 28 февраля – 01 марта 2018 года / Под редакцией С. В. Бачевского. Том 2. – Санкт-Петербург: Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича, 2018. – С. 378–382.
8. Методика кибернетической устойчивости в условиях воздействия таргетированных кибернетических атак / Д. А. Иванов, М. А. Коцыняк, О. С. Лаута, И. Р. Муртазин // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2018): VII Международная научно-техническая и научно-методическая конференция. Сборник научных статей. В 4-х томах, Санкт-Петербург, 28 февраля – 01 марта 2018 года / Под редакцией С. В. Бачевского. Том 2. – Санкт Петербург: Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича, 2018. – С. 343–346.
9. Елисеев Н. И. Оценка уровня защищенности автоматизированных информационных систем юридически значимого электронного документооборота на основе логико-вероятностного метода / Н. И. Елисеев, Д. И. Тали, А. А. Обланенко // Вопросы кибербезопасности. – 2019. – № 6 (34). – С. 7–16.
10. Коцыняк М. А. Математическая модель таргетированной компьютерной атаки / М. А. Коцыняк, О. С. Лаута, Д. А. Иванов // Наукоемкие технологии в космических исследованиях Земли. – 2019. – Т. 11, № 2. – С. 73–81.
11. Белякова Т. В. Функциональная модель процесса воздействия целевой компьютерной атаки / Т. В. Белякова, Н. В. Сидоров, М. А. Гудков // Радиолокация, навигация, связь: Сборник трудов XXV Международной научно-технической конференции, посвященной 160-летию со дня рождения А. С. Попова. В 6 томах, Воронеж, 16–18 апреля 2019 года. Том 2. – Воронеж: Воронежский государственный университет, 2019. – С. 108–111.
12. Калашников А. О. Применение логико-вероятностного метода в информационной безопасности (Часть 1) / А. О. Калашников, К. А. Бугайский, Д. С. Бирин, Б. О. Дерябин, С. О. Цепенда, К. В. Табаков // Вопросы кибербезопасности. – 2023. – № 4 (56). – С. 23-32. DOI:10.21681/2311-3456-2023-04-23-32.
13. Калашников А. О. Применение логико-вероятностного метода в информационной безопасности (Часть 2) / А. О. Калашников, К. А. Бугайский, Е. И. Аникина, И. С. Перескоков, Ан. О. Петров, Ал. О. Петров, Е. С. Храмченкова, А. А. Молотов // Вопросы кибербезопасности. – 2023. – № 5 (57). – С. 113–127. DOI:10.21681/2311-3456-2023-05-113-127.
14. Калашников А. О. Применение логико-вероятностного метода в информационной безопасности (Часть 3) / А. О. Калашников, К. А. Бугайский, Е. И. Аникина, И. С. Перескоков, Ан. О. Петров, Ал. О. Петров, Е. С. Храмченкова, А. А. Молотов // Вопросы кибербезопасности. – 2023. – № 6 (58). – С. 20–34. DOI:10.21681/2311-3456-2023-06-20-34.
15. Калашников А. О. Применение логико-вероятностного метода в информационной безопасности (Часть 4) / А. О. Калашников, Е. В. Аникина, К. А. Бугайский, Д. С. Бирин, Б. О. Дерябин, С. О. Цепенда, К. В. Табаков // Вопросы кибербезопасности. – 2024. – № 3 (61). – С. 23–32. DOI:10.21681/2311-3456-2024-03-23-32.
16. Калашников А. О. Модель оценки безопасности сложной сети (Часть 1) / А. О. Калашников, К. А. Бугайский // Вопросы кибербезопасности. – 2022. – № 4 (50) – С. 26–38. DOI:10.21681/2311-3456-2022-04-26-38.
17. Калашников А. О. Применение логико-вероятностного метода в информационной безопасности (Часть 5) / А. О. Калашников, Е. В. Аникина, К. А. Бугайский, Д. С. Бирин, Б. О. Дерябин, С. О. Цепенда, К. В. Табаков // Вопросы кибербезопасности. – 2024. – № 4 (62). – С. 26–37. DOI:10.21681/2311-3456-2024-04-26-37.
18. Калашников А. О. Применение логико-вероятностного метода в информационной безопасности (Часть 6) / А. О. Калашников, Е. В. Аникина, К. А. Бугайский, А. А. Молотов // Вопросы кибербезопасности. – 2024. – № 1 (65). – С. 96–107. DOI:10.21681/2311-3456-2024-1-96-107.
19. Калашников А. О. Применение логико-вероятностного метода в информационной безопасности (Часть 7) / А. О. Калашников, Е. В. Аникина, К. А. Бугайский // Вопросы кибербезопасности. – 2026. – № 1 (71). – C. 59–68. DOI:10.21681/2311-3456-2026-01-59-68.

Цель исследования: разработка нового методологического подхода к анализу и управлению рисками информацион­ной безопасности (ИБ), позволяющего преодолеть ограничения традиционных статистических и детерминированных методов в условиях нелинейности цифровых систем и лавинообразного роста угроз. Исследование направлено на обес­печение раннего выявления кризисных тенденций и переход от реактивного к проактивному управлению ИБ.
Метод исследования: аппарат теории хаотической динамики, включающий построение фазового пространства состояний (ФПС) и выделение квазиаттракторов, интеграция ФПС­анализа с контрольными картами Шухарта.
Результат: предложенный подход позволяет рассматривать систему ИБ как сложную динамическую систему, эволюция которой описывается траекторией в многомерном фазовом пространстве ключевых параметров безопасности. Вводится понятие квазиаттракторов ИБ – областей относительной устойчивости, где система остается управляемой, несмотря на постоянные флуктуации и атаки. На модельном примере анализа динамики информационных атак на корпоративный сегмент показано, что метод обеспечивает прогнозирование критических переходов (бифуркаций), таких как начало масштабной кампании целевых атак или переход к неконтролируемому росту инцидентов, что открывает возможность для своевременного упреждающего воздействия на риски до наступления необратимых последствий.
Научная новизна: предложено использование концепции квазиаттракторов и фазового пространства состояний для описания и мониторинга устойчивости систем ИБ. Новизна заключается в переносе акцента с анализа статических показателей на исследование динамики изменений (скорости и ускорения) параметров безопасности с интеграцией методов теории хаоса и статистического контроля качества.
Ключевые слова: управление, фазовое пространство состояний, квазиаттракторы, хаотическая динамика, прогнозирование киберинцидентов, контрольные карты Шухарта, анализ данных безопасности

1. Dr. A. Shaji George, Dr. T. Baskar and Dr. P. Balaji Srikaanth 2024. Cyber Threats to Critical Infrastructure: Assessing Vulnerabilities Across Key Sectors. Partners Universal International Innovation Journal. 2, 1 (Feb. 2024), 51–75. DOI: https://doi.org/10.5281/zenodo.10639463.
2. Cheimonidis, Pavlos, and Konstantinos Rantos. 2023. «Dynamic Risk Assessment in Cybersecurity: A Systematic Literature Review». Future Internet 15, no. 10: 324. https://doi.org/10.3390/fi15100324.
3. Barrett, M.; Marron, J.; Pillitteri, V. Y.; Boyens, J.; Quinn, S.; Witte, G.; Feldman, L. Approaches for Federal Agencies to Use the Cybersecurity Framework; Technical report; National Institute of Standards and Technology: Gaithersburg, MD, USA, 2021.
4. Tonoy Kanti Chowdhury, & Shaikat Biswas. (2022). Graph neural networks (GNNS) for modeling cyber-attack patterns and predicting system vulnerabilities in critical infrastructure.American Journal of Interdisciplinary Studies, 3(04), 157–202. https://doi.org/10.63125/1ykzx350.
5. Li, S., Wu, S. & Guo, X. (2023). Security Risk Assessment Method for Measurement Control Systems Based on Attack Tree Model and Common Vulnerability Scoring System. AISNS. https://doi.org/10.1145/3661638.3661706.
6. Ten, C., Liu, C. & Govindarasu, M. (2007). Vulnerability Assessment of Cybersecurity for SCADA Systems Using Attack Trees. IEEE Power Engineering Society General Meeting. https://doi.org/10.1109/pes.2007.385876.
7. Kong, H., Hong, M. K. & Kim, T. (2018). Security risk assessment framework for smart car using the attack tree analysis. Journal of Ambient Intelligence and Humanized Computing, 9(3). https://doi.org/10.1007/s12652-016-0442-8.
8. Иванов М. И., Павленко Е. Ю. Обнаружение атак в сетях с динамической топологией на основе нейро-нечеткой системы вывода // Проблемы информационной безопасности. Компьютерные системы. – 2021, – Выпуск 2. – С. 21–40.
9. Zografopoulos, I., Ospina, J., Liu, X., & Konstantinou, C. (2021). Cyber-Physical Energy Systems Security: Threat Modeling, Risk Assessment, Resources, Metrics, and Case Studies. arXiv: Cryptography and Security. http://export.arxiv.org/pdf/2101.10198.
10. Bochkov, A. V. Towards a solution to the problem of safety management of structurally complex systems / A. V. Bochkov // Journal of AppliedMath. – 2023. – Vol. 1, No. 1. – DOI: 10.59400/jam.v1i1.68. – EDN WJFKRT.
11. Introducing a Novel Method for Smart Expansive Systems' Operation Risk Synthesis / N. Zhigirev, A. Bochkov, N. Kuzmina, A. Ridley // Mathematics. – 2022. – Vol. 10, No. 3. – DOI: 10.3390/math10030427. – EDN JPHBND.
12. Адлер Ю. П., Шпер В. Л. Практическое руководство по статистическому управлению процессами. М.: Альпина Паблишер, 2021. – 234 с.

Цель исследования: предложить подход к синтезу конструктивной защиты информации в условиях квантовой угрозы на основе кластерной модели защиты, модели логического вывода и гетерогенной графовой нейронной сети.
Методы исследования: математическая логика, машинное обучение, теория модульно-­кластерных сетей, теория графов, теория матриц.
Результат исследования: предложена концепция технологии синтеза конструктивной защиты информации на основе интеграции кластерной модели защиты с полным перекрытием, графовой нейронной сети для построения и оптимизации мультиграфа по критериям конструктивной защиты с формальным доказательством безопасности архитектуры в машине логического вывода. Структурно­-параметрический синтез обеспечивается описанием модели системы в терминах модульно-­кластерного мультиграфа. Точность модели достигается формальным представлением мер защиты, политики доступа и критериев защиты кластерной структурой мультиграфа и декомпозицией информационных связей на уровни взаимодействия, через которые реализуются функции обработки и защиты информации, а также формальным анализом выполнения требований к защите через оценку состояний в машине логического вывода с использованием предобработки в модели машинного обучения. Результаты исследования могут быть использованы для построения систем синтеза конструктивной защиты распределенных реестров и иных критических информационных систем с учетом декларируемой политики доступа, требований нормативных документов и уровня риска квантовой угрозы, который формально учитывается в кластерной модели и управляется средствами структурно­-параметрической оптимизации с возможностью модификации постквантовой криптографии.
Научная новизна: предложена технология синтеза конструктивной защиты с учетом уровня риска квантовой угрозы на основе интеграции методов машинного обучения со структурно-параметрической оптимизацией модели системы, представленной в виде гетерогенного ориентированного мультиграфа, и доказательством безопасности архитектуры проверкой соответствия подграфов формальным критериям защиты в машине логического вывода.
Ключевые слова: кластерная модель защиты, автоматизация синтеза архитектуры, гетерогенный ориентированный мультиграф, ML­-модель

1. Петренко С. А., Балябин А. А. Модель квантовых угроз безопасности информации для национальных блокчейн-экосистем и платформ // Вопросы кибербезопасности. 2025. № (65). С. 7–17. DOI: 10.21681/2311-3456-2025-1-7-17.
2. Petrenko A. S., Petrenko S. A. Basic Algorithms Quantum Cryptanalysis // Вопросы кибербезопасности. 2023. № 1 (53). C. 100–115. DOI: 10.21681/2311-3456-2023-1-100-115.
3. Холодов Я. А., Саллум Х., Джнади А., Хубиев К. Ю., Петренко А. Применение алгоритма QUBO для отбора траекторий обучения с подкреплением методом Монте-Карло // Компьютерные исследования и моделирование. 2026. Т. 18 № 2 С. 273–288. DOI: 10.20537/2076-7633-2026-18-2-273-288.
4. Semenov A., Usmanov S., Fedorov A. Transforming optimization problems into a QUBO form: A tutorial. Probl. Inf. Transm. 61, 110. (2025). https://doi.org/10.1134/S0032946025020036.
5. Петренко С. А. Подход к оптимизации устойчивости национальных блокчейн-платформ и экосистем с помощью квантово-вдохновлён-ных алгоритмов. Часть 1 // Вопросы кибербезопасности 2026. № 2 (72). С. 101–111. DOI: 10.21681/2311-3456-2026-2-101-111.
6. Sundeev, P. V. The Cluster Model of Information Protection. In: Kovalev, S., Kotenko, I., Sukhanov, A. (eds) // Proceedings of the Ninth International Scientific Conference «Intelligent Information Technologies for Industry» (IITI’25). 2026. Volume 1. IITI 2025. Lecture Notes in Networks and Systems, vol. 1762. Springer, Cham. https://doi.org/10.1007/978-3-032-13615-2_33.
7. Молдовян Н. А., Петренко А. С. Типовые уравнения верификации в алгебраических схемах ЭЦП с двумя скрытыми группами // Вопросы кибербезопасности. 2025. № 3 (67). С. 8–20. DOI: 10.21681/2311-3456-2025-3-8-20.
8. Балябин А. А., Петренко С. А. Модель блокчейн-платформы с кибериммунитетом в условиях квантовых атак // Вопросы кибербезопасности. 2025. № 3 (67). С. 72–82. DOI: 10.21681/2311-3456-2025-3-72-82.
9. Балябин А. А., Петренко С. А. Методика синтеза квантово-устойчивых блокчейн-платформ с кибериммунитетом // Вопросы кибербезопасности. 2025. № 4 (68). DOI: 10.21681/2311-3456-2025-4-46-54.
10. Сундеев П. В. Модель логического вывода для синтеза конструктивной защиты распределенного реестра // Вопросы кибербезопасности. 2026. № 2 (72). С. 112–118. DOI: 10.21681/2311-3456-2026-2-112-118.
11. Сундеев П. В. Метод оценки выполнения нормативных требований к защите информации // Правовая информатика. 2025. № 4. С. 4–15. DOI 10.24412/1994-1404-2025-4-4-15.

1. Подготовка к тесту на проникновение: сбор общей информации / А. В. Дорофеев, А. С. Марков // Вопросы кибербезопасности. – 2026. – № 2 (72). – С. 157–167.
2. Scarfone K. et al.]. Technical Guide to Information Security Testing and Assessment. NIST Special Publication 800-115. Gaithersburg, MD: NIST, 2008 – 80 p.
3. Взлом. Приемы, трюки и секреты хакеров / Snovvcrash и др. - Серия Библиотека журнала «Хакер», 2-е изд. - СПб.: БХВ-Петербург, 2022. – 272 с.
4. Колисниченко Д. Н. Хакинг на LINUX – СПб.: Наука и техника, 2022. 320 с.
5. Пентест. Секреты этичного взлома / М. Артюхин и др. - Серия Библиотека журнала «Хакер» – СПб.: БХВ-Петербург, 2022 – 160 с.
6. Ярошенко А. А. Хакинг на примерах. Уязвимости, взлом, защита – СПб.: Наука и техника, 2021. 320 с.
7. Ethical hacking training / A. V .Dorofeev, A. S. Markov, Y. V. Rautkin // CEUR Workshop Proceedings. 2019. Vol. 2522. – P. 47–56.
8. Дорофеев А. Тестирование на проникновение: демонстрация одной уязвимости или объективная оценка защищенности? // Защита информации. Инсайд. 2010. № 6 (36). С. 72–73.
9. Методические основы киберучений и CTF-соревнований / А. В. Дорофеев, А. С. Марков // Защита информации. Инсайд. – 2022. – № 2 (104). – С. 56–63.
10. Обучение специалистов в области кибербезопасности в стиле Purple Team / А. В. Дорофеев, А. С. Марков // Защита информации. Инсайд. – 2023. – № 6 (114). – С. 66–71.
11. Дэвис Р. Искусство тестирования на проникновение в сеть – М.: ДМК Пресс, 2021. – 310 с.
12. Дорофеев А. В. Тест на проникновение с помощью Metasploit Framework: базовое руководство для системного администратора. Хабр, 2018 – Блок «Эшелон». URL: https://habr.com/ru/companies/npoechelon/articles/347702/.
13. Макаренко С. И. Тестирование на проникновение на основе стандарта NIST SP 800-115 // Вопросы кибербезопасности. – 2022. – № 3 (49). – С. 44–57.
14. OSSTMM 3 - Open Source Security Testing Methodology Manual: Contemporary Security Testing and Analysis. / By ed. Barcelo M. and Herzog P. – ISECOM, 2010. – 213 p.
15. Web Application Penetration Testing on Udayana University's OASE E-learning Platform Using ISSAF and OSSTMM / I. Wijaya et al. // International Journal of Information Technology and Computer Science, 2024, 16, 2, pp. 45–56. DOI:10.5815/ijitcs.2024.02.04.
16. Анализ стандартов и методик тестирования на проникновение / С. И. Макаренко, Г. Е. Смирнов // Системы управления, связи и безопасности. 2020. № 4. – С. 44–72. – DOI: 10.24411/2410-9916-2020-10402.
17. Методика тестирования и оценки межсетевых экранов / А. Г. Богораз, О. Ю. Пескова // Известия ЮФУ. Технические науки. – 2013. – № 12 (149). – С. 148–156.
18. Методологические аспекты автоматизации тестирования на проникновение для значимых объектов критической информационной инфраструктуры / В. С. Горбатов, Д. А. Дятлов, А. Н. Рыжиков // Безопасность информационных технологий. – 2022. – Т. 29, № 3. – С. 94–104. – DOI 10.26583/bit.2022.3.08.
19. Comparative Analysis of Penetration Testing Frameworks: OWASP, PTES, and NIST SP 800-115 for Detecting Web Application Vulnerabilities / M. B. Imtias and etc. // Journal of Applied Informatics and Computing. – 2025. – Vol. 9, No. 6. – P. 3689–3696. – DOI 10.30871/jaic.v9i6.9846.
20. Systematic Literature Review on Penetration Testing in Networks: Future Research Directions / M. Alhamed, M. M. H. Rahman // Applied Sciences (Switzerland). – 2023. – Vol. 13, No. 12. – P. 6986. – DOI: 10.3390/app13126986.
21. Разработка системы моделирования кибератак для выявления уязвимостей / Д. А. Фомин, И. Л. Рева // Безопасность цифровых технологий. – 2025. – № 3(118). – С. 40-61. – DOI: 10.17212/2782-2230-2025-3-40-61.