Розробка нейромережевої моделі для предиктивного аналізу ймовірності реалізації кіберзагроз на основі класифікатора загроз

Abstract

У дослідженні представлено розробку та валідацію нейромережевої моделі для предиктивного аналізу ймовірності реалізації кіберзагроз. Через неефективність традиційних реактивних методів захисту, було запропоновано проактивний підхід на основі машинного навчання. Початковий набір даних, що складався з 200 записів, було розширено до 20 200 за допомогою аугментації для подолання проблеми обмеженого обсягу та дисбалансу класів. Створена архітектура багатошарового перцептрона (MLP) з використанням механізму зважених втрат та ранньої зупинки продемонструвала високу ефективність, досягнувши точності 94.94% на тестових даних. Модель також підтвердила свою узагальнюючу здатність на реальних прикладах, що не входили до навчальної вибірки, довівши її практичну цінність для створення систем проактивного управління кіберризиками.

This research presents the development and validation of a neural network model for the predictive analysis of the probability of cyber threat realization. Due to the ineffectiveness of traditional reactive security methods, a proactive approach based on machine learning was proposed. An initial dataset of 200 records was expanded to 20,200 through augmentation to overcome the problems of limited volume and class imbalance. The created Multi-Layer Perceptron (MLP) architecture, utilizing class weights and early stopping, demonstrated high efficiency, achieving an accuracy of 94.94% on test data. The model also confirmed its generalization ability on real-world examples not included in the training set, proving its practical value for creating proactive cyber risk management systems.

This research presents the development and validation of a neural network model for the predictive analysis of the probability of cyber threat realization. Due to the ineffectiveness of traditional reactive security methods, a proactive approach based on machine learning was proposed. An initial dataset of 200 records was expanded to 20,200 through augmentation to overcome the problems of limited volume and class imbalance. The created Multi-Layer Perceptron (MLP) architecture, utilizing class weights and early stopping, demonstrated high efficiency, achieving an accuracy of 94.94% on test data. The model also confirmed its generalization ability on real-world examples not included in the training set, proving its practical value for creating proactive cyber risk management systems