ГІБРИДНА МОДЕЛЬ ОЦІНЮВАННЯ КІБЕРРИЗИКІВ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ ТА НЕЧІТКОГО ВИВОДУ
Information Technology: Computer Science, Software Engineering and Cyber Security · 29.05.2026 · (2) · 287-294
DOI: 10.32782/it/2026-2-32 ↗Kurz gefasst
Fachartikel in der Zeitschrift Information Technology: Computer Science, Software Engineering and Cyber Security, online erschienen am 29.05.2026. Verfasst von Юрій ФУРДАС und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Мета роботи. Метою дослідження є розробка гібридного підходу до оцінювання кіберризиків підприємств критичної інфраструктури шляхом інтеграції методів машинного навчання для кількісного аналізу загроз та нечіткого логічного виводу для формування інтегрального показника ризику в умовах невизначеності.Методологія. Методологія дослідження базується на інтеграції методів машинного навчання та нечіткого логічного виводу для оцінювання кіберризиків підприємств критичної інфраструктури. Запропонований підхід передбачає використання алгоритмів машинного навчання для отримання кількісної оцінки ймовірності реалізації кіберзагроз, яка надалі використовується як вхідний параметр нечіткого логічного виводу.Формування інтегрального показника ризику здійснюється на основі нечіткої моделі типу Мамдані, яка враховує три основні фактори: ймовірність кіберзагрози, рівень вразливості активів та їх критичність. Кожна з змінних описується лінгвістичними термами та функціями належності, що забезпечує можливість формалізації невизначеної та нечіткої інформації.Агрегація вхідних факторів виконується за допомогою бази нечітких правил типу «якщо-то», що дозволяє моделювати експертні знання у процесі оцінювання ризиків. Результатом роботи моделі є інтегральний показник кіберризику, який відображає узагальнену оцінку стану безпеки об’єкта критичної інфраструктури.Запропонований підхід характеризується можливістю адаптації до різних секторів критичної інфраструктури шляхом налаштування параметрів моделі та функцій належності відповідно до специфіки предметної області.Наукова новизна. Наукова новизна дослідження полягає в розробці гібридної моделі оцінювання кіберризиків, у якій результат машинного навчання (ймовірність реалізації кіберзагрози P) використовується як вхідний параметр нечіткої системи Мамдані. Це забезпечує тісну інтеграцію кількісного аналізу реальних даних кібермоніторингу з формалізованим урахуванням невизначеності та експертних знань. На відміну від існуючих підходів, де машинне навчання та нечітка логіка застосовуються як окремі етапи, запропонована модель об’єднує їх у єдиному контурі оцінювання, що дозволяє отримувати більш гнучкі та інтерпретовані результати.Висновки. У роботі запропоновано гібридний підхід до оцінювання кіберризиків підприємств критичної інфраструктури на основі поєднання машинного навчання та нечіткої логіки за схемою Мамдані. Розроблена двоетапна модель формує інтегральний показник ризику, що враховує ймовірність загрози, вразливість і критичність активів. Порівняльний аналіз та оцінка чутливості підтвердили нелінійний характер моделі та її перевагу над традиційним усередненням параметрів, особливо в умовах невизначеності.Подальші дослідження планується спрямувати на розширення динамічних параметрів моделі та її валідацію на реальних даних підприємств чотирьох секторів критичної інфраструктури (банківський, транспортний, енергетичний, медичний).
Zitieren
APA
ФУРДАС, Ю., & ЯЦИШИН, С. (2026). ГІБРИДНА МОДЕЛЬ ОЦІНЮВАННЯ КІБЕРРИЗИКІВ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ ТА НЕЧІТКОГО ВИВОДУ. Information Technology: Computer Science, Software Engineering and Cyber Security, 287-294. https://doi.org/10.32782/it/2026-2-32
Vancouver
ФУРДАС Ю, ЯЦИШИН С. ГІБРИДНА МОДЕЛЬ ОЦІНЮВАННЯ КІБЕРРИЗИКІВ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ ТА НЕЧІТКОГО ВИВОДУ. Information Technology: Computer Science, Software Engineering and Cyber Security. 2026:287-294. doi:10.32782/it/2026-2-32
BibTeX
@article{2026,
author = {ФУРДАС, Юрій and ЯЦИШИН, Світлана},
title = {ГІБРИДНА МОДЕЛЬ ОЦІНЮВАННЯ КІБЕРРИЗИКІВ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ ТА НЕЧІТКОГО ВИВОДУ},
journal = {Information Technology: Computer Science, Software Engineering and Cyber Security},
year = {2026},
number = {2},
pages = {287--294},
doi = {10.32782/it/2026-2-32}
}
EUVIMED