| DC Field | Value | Language |
|---|
| dc.contributor.author | Саитов, И. А. | - |
| dc.contributor.author | Кунин, Н. Т. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-11-09T06:58:48Z | - |
| dc.date.available | 2026-11-09T06:58:48Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Саитов, И. А. Методика формирования профилей уязвимости объектов защиты на базе ретроспективных данных = Methodology for developing vulnerability profiles of protected objects based on historical data / И. A. Саитов, Н. Т. Кунин // Компьютерное проектирование в электронике = Electronic Design Automation : сборник научных трудов Международной научно-практической конференции, Минск, 23 октября 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. Р. Стемпицкий [и др.]. – Минск, 2026. – С. 259–264. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/66121 | - |
| dc.description.abstract | Обеспечение предиктивной кибербезопасности современных программно-аппаратных
объектов защиты требует перехода от качественных оценок угроз к строгим количественным моделям.
Актуальной научно-технической задачей параметризации таких моделей является определение
статистических вероятностей и ожидаемого ущерба от будущих кибератак. В данной статье
предлагается комплексная методика формирования «профилей уязвимостей» на основе
интеллектуального анализа ретроспективных данных из глобальных и национальных баз. Основной
фокус работы направлен на способы сбора, очистки и статистической кластеризации накопленных
массивов данных об уязвимостях. В исследовании описывается алгоритм трансляции разрозненных
метрик в стандартизированные векторы, а также применение методов машинного обучения для
группировки сотен тысяч инцидентов в ограниченный набор типизированных профилей. Для каждого
сформированного профиля вычисляется статистическая вероятность возникновения в заданном стеке
технологий и ожидаемый вес тяжести последствий. Результаты применения предложенного
инструментария профилирования предоставляют исследователям и системным архитекторам
достоверные эмпирические данные, которые могут быть напрямую использованы в качестве входных
параметров для стохастических риск-моделей, расчета барьерных функций надежности и
автоматизации предиктивного патч-менеджмента. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | базы данных уязвимостей | en_US |
| dc.subject | профили уязвимости | en_US |
| dc.subject | интеллектуальный анализ данных | en_US |
| dc.title | Методика формирования профилей уязвимости объектов защиты на базе ретроспективных данных | en_US |
| dc.title.alternative | Methodology for developing vulnerability profiles of protected objects based on historical data | en_US |
| dc.type | Article | en_US |
| local.description.annotation | Ensuring predictive cybersecurity for modern software and hardware protected objects requires a
shift from qualitative threat assessments to rigorous quantitative models. A relevant scientific and technical
challenge in parameterizing such models is determining the statistical probabilities and expected damage from
future cyberattacks. This paper proposes a comprehensive methodology for developing “vulnerability profiles”
based on the intelligent analysis of historical data from global and national databases. The main focus of the
work is on methods for collecting, cleaning, and statistically clustering accumulated datasets of vulnerabilities.
The study describes an algorithm for translating disparate metrics into standardized vectors, as well as the
application of machine learning methods to group hundreds of thousands of incidents into a limited set of
typified profiles. For each generated profile, the statistical probability of occurrence within a given technology
stack and the expected severity weight of the consequences are calculated. The results of applying the
proposed profiling tools provide researchers and system architects with reliable empirical data that can be
directly used as input parameters for stochastic risk models, calculation of reliability barrier functions, and
automation of predictive patch management. | en_US |
| Appears in Collections: | Компьютерное проектирование в электронике (2026)
|
