Maskasız qásiyetlerdi anıqlaw arqalı informaciya qáwipsizligin támiyinlew ushın neyro-anıq emes modellestiriw

Авторы

  • A.M Dosimbetov

    Innovacion texnologiyalar universiteti

  • D.X Turdishov

    Nukus State Pedagogical Institute named after Ajiniyaz image/svg+xml

  • A.Q Mambetnazarova

    Нукусский государственный технический университет

Ключевые слова: Web-приложение, безмаскированные свойства, защищаемый объект, модель, Нейро- неопределенность, функция, конфигурация

Аннотация

Представленная нейро-нечеткая модель для обнаружения немаскированных свойств в веб- приложениях представляет собой гибридную систему, сочетающую возможность моделирования нечеткой логики с возможностями адаптивного обучения нейронных сетей. Эта модель решает проблему обнаружения свойств, которые намеренно раскрывают безопасную информацию о защищаемом объекте, такую как стеки программного обеспечения веб-приложения или криптографические уязвимости, которые могут быть использованы в кибератаках. Опираясь на фреймворк, предложенный Корочентьевым и Павленко, модель построена в виде семиэтажной архитектуры, которая обрабатывает входные свойства, изменяет их посредством нечеткого вывода и вырабатывает интегральный балл риска. В данной статье рассматривается структура модели, ее слои, математические основы и адаптации для практического анализа безопасности веб-приложений.

Библиографические ссылки

1. Jang, J.S.R. ANFIS: Adaptive-Network-Based Fuzzy Inference System. // IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 1993. – P. 665-685.

2. Lin, C.T., & Lee, C.S. Neural Network Based Fuzzy Logic Control and Decision System. // IEEE Transactions on Computers, 40(12), 1991. – P. 1320-1336.

3. Nauck, D., Klawonn, F., Kruse, R. Foundations of Neuro-Fuzzy Systems. John Wiley & Sons. 1997.

4. Короченцев, Д.А., Павленко, А.С. Разработка нейро-нечеткой модели обеспечения информационной безопасности за счет выявления демаскирующих признаков объекта защиты. Автоматизация процессов управления, 1(59), 2020. – C. 38-46.

5. Tano S., Oyama T., Arnould T. Deep Combination of Fuzzy Inference and Neural Network in Fuzzy Inference. // Fuzzy Sets and Systems, 82(2), 1996. – P. 151-160.

6. Zadeh, L.A. Fuzzy Sets. // Information and Control, 8(3), 1965. – P. 338-353.

7. Kosko, B. Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Prentice Hall. 1992.

8. Seitnazarov K.K., Dosımbetov A.M., Aytanov A.K. Strategy for Organization of Computational Experiments of the Functioning of Underground Water Inlets Using a Fuzzy Multiple Approach. International Conference on Information Science and Communications Technologies (ICISCT). – Tashkent, Uzbekistan, 2020. – C. 1-4.