https://libeldoc.bsuir.by/handle/123456789/59521| Title: | Применение искусственного интеллекта для адаптивного обнаружения аномалий в системах информационной безопасности |
| Other Titles: | Application of artificial intelligence for adaptive anomaly detection in information security systems |
| Authors: | Чернявский, К. Э. Ситников, А. В. Романюк, М. В. |
| Keywords: | материалы конференций;защита информации;обнаружение аномалий;кибербезопасность;машинное обучение;мониторинг в реальном времени;выявление угроз |
| Issue Date: | 2025 |
| Publisher: | БГУИР |
| Citation: | Чернявский, К. Э. Применение искусственного интеллекта для адаптивного обнаружения аномалий в системах информационной безопасности = Application of artificial intelligence for adaptive anomaly detection in information security systems / К. Э. Чернявский, А. В. Ситников, М. В. Романюк // Технические средства защиты информации : материалы ХXIII Международной научно-технической конференции, Минск, 08 апреля 2025 года / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: О. В. Бойправ [и др.]. – Минск, 2025. – С. 359–362. |
| Abstract: | В условиях растущих киберугроз традиционные методы защиты, основанные на сигнатурном анализе, оказываются недостаточно эффективными. В данной статье рассматривается применение методов искусственного интеллекта (ИИ) для обнаружения аномалий в кибербезопасности. Описываются этапы обработки данных, выбор алгоритмов машинного обучения и их интеграция в системы мониторинга. Проведен сравнительный анализ эффективности ИИ-моделей на основе датасета NSL-KDD. Результаты исследования показывают, что алгоритмы ИИ обеспечивают более точное и адаптивное выявление угроз по сравнению с традиционными методами. |
| Alternative abstract: | With the increasing number of cyber threats, traditional security methods based on signature analysis are becoming insufficient. This paper explores the use of artificial intelligence (AI) techniques for anomaly detection in cybersecurity. It describes data processing stages, machine learning algorithm selection, and their integration into monitoring systems. A comparative analysis of AI-based models was conducted using the NSL- KDD dataset. The results demonstrate that AI algorithms provide more accurate and adaptive threat detection compared to traditional approaches. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/59521 |
| Appears in Collections: | ТСЗИ 2025 |
| File | Description | Size | Format | |
|---|---|---|---|---|
| CHernyavskij_Primenenie.pdf | 200.85 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.