سیستم حفاظت در برابر استنباط اطلاعات اطلاعاتی در سیستم ارتباطات فیبر متن مقاله علمی در رسانه ها (رسانه) و ارتباطات جمعی

حاشیه نویسی مقاله علمی در رسانه ها (رسانه ها) و ارتباطات جمعی ، نویسنده اثر علمی Anvarjon Rasulov ، Maxinur Xasanova است

یکی از مهمترین و خواستار ترین مسائل امروز در شرایط تحول گسترده و دیجیتالی شدن سپه ها از فعالیت های انسانی و محتاطانه فعالیت های انسانیتحقیق و توسعه اصلی در زمینه امنیت اطلاعات با هدف بهبود کارآیی و عقلانیت انجام شده است. یکی از اصلی ترین وسیله انتقال داده ها و عملکرد مجتمع اطلاعات ، سیستم های فیبر نوری است. به داده ها ، این لاورها موقت نفوذ غیرقانونی و سرقت اطلاعات بوده و از این نوع ارتباطات عبور می کنند. بنابراین ، امروز یک مشکل مرتبط با امنیت اطلاعات ناسازگار در سیستم های انتقال داده های فیبر نوری است. یکی از مؤثرترین ابزارها برای مقابله با اقدامات دخالت غیرقانونی در سیستم ها ، هوش مصنوعی و رمزنگاری شده از پروتئین اطلاعات است. این همزیستی این دو می تواند از امنیت اطلاعات در سیستم های انتقال داده فیبر-نوری استفاده کند. بنابراین ، نویسندگان این مقاله هدف مرتبط با توصیف یک سیستم نوآورانه برای محافظت از اطلاعات در برابر تخلفات در سیستم های انتقال داده های فیبر نوری را بر اساس ادغام الگوریتم های رمزنگاری هوشمند دنبال می کنند.

مباحث مشابه آثار علمی در رسانه ها (رسانه ها) و ارتباطات جمعی ، نویسنده اثر علمی Anvarjon Rasulov ، Maxinur Xasanova است

سیستم تشخیص خودکار نفوذ از طریق محیط محافظت شده بر اساس سنسورهای فیبر نوری و شبکه عصبی

توسعه نوآورانه ابزارها و فناوری ها برای اطمینان از امنیت اطلاعات روسیه و دستورالعمل های اصلی محافظت

متن کار علمی در مورد موضوع "سیستم حفاظت در برابر استنباط سیگنال های اطلاعات در سیستم ارتباطات فیبر"

سیستم حفاظت در برابر نقض سیگنال های اطلاعات در سیستم ارتباطی فیبر

دانشگاه اطلاعاتی Tashkent Fergana Branch Anvarx@inbox. ru

Maxinur Xasanova Tashkent University of Information Technologies fergana [email protected]

یکی از مهمترین موضوعات امروز در شرایط تحول گسترده و دیجیتالی شدن حوزه های فعالیت های انسانی ، امنیت اطلاعات و اطمینان از یکپارچگی داده ها است. تحقیق و توسعه اصلی در زمینه امنیت اطلاعات با هدف بهبود کارآیی و عقلانیت انجام شده است. یکی از اصلی ترین وسیله انتقال داده ها و عملکرد مجتمع های اطلاعاتی سیستم های فیبر نوری است. تا به امروز ، حوادثی از نفوذ غیرقانونی و سرقت اطلاعات رخ داده است که از این نوع ارتباطات عبور می کند. بنابراین ، امروز مشکلی با امنیت اطلاعات کافی در سیستم های انتقال داده های فیبر نوری وجود دارد. یکی از مؤثرترین ابزارها برای مقابله با اقدامات دخالت غیرقانونی در سیستم ها ، هوش مصنوعی و الگوریتم های رمزنگاری محافظت از اطلاعات است. این همزیستی این دو ابزار است که می توانند به طور کیفی سطح امنیت اطلاعات را در سیستم های انتقال داده فیبر-نوری بهبود بخشند. بنابراین ، نویسندگان این مقاله هدف مرتبط با توصیف یک سیستم نوآورانه برای محافظت از اطلاعات در برابر تخلفات در سیستم های انتقال داده های فیبر نوری را بر اساس ادغام الگوریتم های رمزنگاری هوشمند دنبال می کنند.

واژه های کلیدی: ارتباطات فیبر نوری ، رمزنگاری ، امنیت اطلاعات ، هوش مصنوعی ، اطلاعات ، سیستم انتقال داده.

کار به بررسی اطلاعات اساسی ، ارتباط و اثربخشی مربوط به موضوع مطالعه می پردازد. این تحقیق کار را از طریق استفاده از داده ها و اطلاعات آماری و همچنین روش های تجربی و نظری تحقیق انجام می دهد. در این مقاله از انتشارات و مطالب منابع داخلی و خارجی برای افشای کامل تر موضوع و به دست آوردن داده های قابل اعتماد استفاده می شود.

بسیاری از مقالات علمی ، مقالات و تک نگاری ها ، که هر یک از آنها جنبه های کاملاً جداگانه ای از ساختار و سیستم های امنیت اطلاعات را بررسی می کنند ، به موضوعات تقریبی ارائه شده و مرتبط با این کار اختصاص داده شده است. این مقاله براساس نتیجه گیری علمی و نتایج به دست آمده توسط نویسندگان K. A. Kudryavtseva ، sh. u. Uktamzhonov ، I. A. Kosimov ، D. V. Afanasyeva ، A. V. Balanovskaya ، O. L. Tsvetkova ، A. I. کرپر و دیگران [1-8].

در هر یک از آثار فوق، نویسندگان تحقیقاتی را تولید می کنند که امروزه با حوزه امنیت اطلاعات مرتبط است. بنابراین، به عنوان مثال، سوالات سناریوهای اتصال به کابل های فیبر نوری و حفاظت در برابر رهگیری غیرقانونی اطلاعات در کانال های ارتباطی، راه های حفاظت از سیگنال اطلاعات در برابر دسترسی غیرمجاز، تهدیدات مدرن برای امنیت اطلاعات و موارد دیگر بررسی می شود.

فناوری های هوش مصنوعی (AI) و یادگیری ماشین به طور گسترده در سیستم های اطلاعاتی برای افزایش بهره وری نیروی کار، افزایش فروش و آموزش استفاده می شوند. استفاده از آنها در محافظت در برابر حملات سایبری در حال تبدیل شدن به یکی از حوزه های کلیدی در امنیت اطلاعات است.

مجموع سرمایه گذاری در شرکت هایی که محصولات امنیت اطلاعات را با استفاده از فناوری هوش مصنوعی ایجاد می کنند در پایان سال 2019 3749 میلیون دلار است. در عین حال، بازار جهانی محصولات امنیت اطلاعات با استفاده از فناوری هوش مصنوعی در سال 2025 با افزایش سالانه 23 سال به 30 میلیارد دلار خواهد رسید.٪.

در حال حاضر، تعداد حملات در حال افزایش است و چشم انداز تهدیدها با سرعت رعد و برق در حال تغییر است. به عنوان مثال، محصولات Kaspersky بیش از 700 میلیون حمله آنلاین در هر سه ماهه (داده های سه ماهه دوم 2019) در سراسر جهان را منعکس می کنند و سیسکو ادعا می کند که روزانه 20 میلیارد حمله شبکه را مسدود می کند (بیش از 7 تریلیون حمله در سال 2018). بدیهی است که با چنین حجمی از فعالیت های مخرب، مجرمان سایبری به طور فعال از ابزارهایی برای خودکارسازی حملات سایبری، از جمله استفاده از فناوری های هوش مصنوعی و یادگیری ماشین برای بهبود و تبدیل آنها و همچنین دور زدن دفاع های شناخته شده استفاده می کنند. به عنوان مثال، تروجان معروف Emotet یک نمونه اولیه موثر است. کانال اصلی برای توزیع آن فیشینگ هرزنامه است و گروهی که پشت ایجاد Emotet است می تواند به راحتی از هوش مصنوعی برای تقویت حمله استفاده کند و خود را به صورت بومی در مکالمات جاسازی کند و با استفاده از تجزیه و تحلیل متن به زبان طبیعی.

یکی دیگر از زمینه های احتمالی استفاده مخرب از هوش مصنوعی، حدس زدن رمز عبور بهتر یا دور زدن احراز هویت دو مرحله ای است. دو سال پیش، محققان رباتی را ایجاد کردند که با استفاده از فناوری های هوش مصنوعی قادر به دور زدن بررسی های CAPTCHA با بازدهی 90 درصدی بود. با استفاده از تعداد زیادی از منابع داده های مختلف در تاریک نت برای تشکیل پایگاه دانش هوش مصنوعی، مهاجمان می توانند حملات به انسان ها را واقعاً مؤثر کنند.

به منظور مقابله با حجم فزاینده حملات ، فروشندگان امنیتی نیز شروع به پیاده سازی فعالانه فن آوری های هوش مصنوعی ، دستگاه و یادگیری عمیق (ML/DL) برای تشخیص ، پیش بینی و پاسخ دادن به تهدیدهای سایبری در زمان واقعی می کنند. به طور کلی ، طبق گفته Webroot (https://www-cdn. webroot.com) ، حدود 85 ٪ از متخصصان امنیتی معتقدند که مهاجمان در حملات خود از فناوری های هوش مصنوعی استفاده می کنند.

ارتباط امنیت اطلاعات در سیستم های انتقال داده های فیبر نوری

برای مدت طولانی ، اعتقاد بر این بود که خطوط ارتباطی فیبر-نوری دارای حداکثر امنیت و رازداری اطلاعات هستند ، اما تحقیقات مدرن نشان داده است که روش هایی برای از بین بردن تابش از الیاف نوری وجود دارد ، بنابراین اطلاعات منتقل شده از طریق

آنها را می توان به خطر انداخت ، حذف یا مسدود کرد. مطابق قانون فدرال "در مورد ارتباطات" ، اپراتورهای ارتباطات از راه دور موظفند از رازداری ارتباطات و حمایت از تجهیزات و امکانات ارتباطی از دسترسی غیرمجاز به آنها اطمینان حاصل کنند. دسترسی غیرمجاز به وسایل ارتباطی و اطلاعاتی که از طریق آنها منتقل می شود مستلزم مسئولیت انضباطی ، مدنی ، اداری یا کیفری است.

برخلاف این عقیده که در یک خط فیبر نوری برای خروج پنهانی از اطلاعات غیرممکن است ، روش های چنین ارتباطی وجود دارد و اجرای آنها در هر یک از شرکت ها امکان پذیر است ، که در فناوری نوری انتقال داده استفاده می کنند. همچنین در این مقاله روشهای محافظت در برابر این اتصالات غیرقانونی را در نظر خواهیم گرفت. با توجه به نوع دوم تهدیدها-رهگیری اطلاعات صوتی ، می توان نتیجه گرفت که نشت اطلاعات صوتی نه تنها در عملیات بلکه در شبکه های غیر عملیاتی ، بلکه در شبکه های فیبر نوری قرار می گیرد ، اگر یک متجاوز به طور مصنوعی سیگنالی را معرفی کند که خواهد بودتعدیل شده توسط امواج صوتی به داخل کابل [2].

لازم به ذکر است که تجهیزات مورد استفاده توسط یک متجاوز لزوماً برای ضبط داده های غیرمجاز تخصصی نیست ، می تواند انواع تجهیزات استاندارد در دسترس عمومی باشد ، به عنوان مثال برای نصب خطوط ارتباطی. روشهای اصلی برای محافظت از ترافیک از نشت در خطوط ارتباطی فیبر نوری را می توان به سه گروه اصلی روش برای محافظت در برابر رهگیری چنین اطلاعاتی توسط یک متجاوز تقسیم کرد:

1. وسایل فیزیکی حفاظت از اطلاعات ؛

2. وسایل سخت افزاری حفاظت از اطلاعات ؛

3. محافظت از رمزنگاری از اطلاعات.

حفاظت از اطلاعات نه با تأثیر در پارامترهای کانال نشت ، بلکه با تحول احتمالی اطلاعات قبل از انتقال آن از طریق کانال ارتباطی ارائه می شود. عدم امکان بازیابی اطلاعات توسط یک متجاوز مبتنی بر این ویژگی است که کانال نشت دارای پهنای باند پایین تر از کانال عادی کاربر است. روش رمزگذاری به گونه ای انتخاب شده است که تعداد خطاهای ناشی از کانال نشت تا حد زیادی افزایش می یابد ، تأثیر سیگنال انتقال نویز را نشان می دهد ، در حالی که کانال اصلی یک روش رمزنگاری اتصال قابل اعتماد را ارائه می دهد ، روشی را شامل می شود که اطلاعاتی را برای یک مهاجم کمی مفید می کند - اینرمزنگاری کوانتومی است که فقط در فناوری فیبر نوری منعکس می شود. رمزنگاری کوانتومی مبتنی بر اصل عدم اطمینان هایزنبرگ است - اندازه گیری یک پارامتر یک فوتون بدون تحریف دیگری غیرممکن است. بنابراین ، یک متجاوز قادر به تغییر وضعیت فوتونهای منتقل شده نخواهد بود ، زیرا این امر می تواند باعث شود که وی در معرض دید وی قرار گیرد ، با توجه به دخالت اضافی در طرف دریافت کننده.

پیشرفت علمی دوره 2 I شماره 5 I 2021 _ISSN: 2181-1601

تجزیه و تحلیل ادغام شبکه های عصبی مصنوعی برای بهبود کارآیی الگوریتم های رمزنگاری برای حمایت از اطلاعات

فن آوری های هوشمند ، به ویژه شبکه های عصبی مصنوعی (ANN) ، که پتانسیل عظیمی در حل کارهای مختلف محاسباتی پیچیده دارند ، در سیستم های امنیتی اطلاعات مدرن به طور فعال مورد مطالعه و یکپارچه قرار می گیرند. ارتباط عظیم ادغام هوش مصنوعی در این کارها یکی از بالاترین در جهان مدرن در زمینه مطالعه است. این عامل به این واقعیت مربوط می شود که از فناوری هوشمند نه تنها برای حل مشکلات ماهیت ریاضی و مهندسی استفاده می شود ، بلکه خود را نیز در حل مشکلات از امنیت اطلاعات ، رمزگذاری ، رمزگشایی و سایر فرآیندها با موفقیت اثبات می کند.

آن کاملاً محکم وارد زندگی انسان مدرن در حل انواع مختلف مشکلات می شود و همچنین در جایی که الگوریتم های بدوی ابزاری ناکارآمد یا حتی غیرممکن هستند ، استفاده می شود. لیست وظایف ، که راه حل آن بر اساس استفاده از شبکه های عصبی است ، شامل موارد زیر است: تشخیص متن ، تبلیغات متنی در وب سایت ها ، تصفیه اسپم ، نظارت بر معاملات مشکوک در سیستم بانکی ، ترمیم تصویر و بسیاری دیگر [3].

شبکه های عصبی مصنوعی زمینه اصلی توسعه از زمینه هوش مصنوعی برای حل مشکلات امنیت اطلاعات است. As یک مدل ریاضی است که اجرای خود را در سطح نرم افزار و سخت افزار دارد. شکل 1 طرح یک شبکه عصبی مصنوعی ساده را نشان می دهد:

شکل 1. نمودار شماتیک یک شبکه عصبی ساده. نورونهای ورودی - ورودی ؛نورون های آبی - پنهان ؛نورون خروجی زرد

بگذارید معنای ریاضی شبکه های عصبی مصنوعی را در نظر بگیریم. در تفسیر ریاضی ANN ها به عنوان یک عملکرد غیر خطی نشان داده می شوند. در زیر W با اتصالات مشخص می شود ، از طریق آنها سیگنال های برخی از نورونها به سیگنال های ورودی سایر نورون ها تغذیه می شوند. هر نورون شبکه عصبی مصنوعی شامل یک خروجی واحد به نام سیناپس است. لازم به ذکر است که هر خروجی یک نورون با تعداد نامحدودی از خروجی های سلولهای عصبی دیگر به هم وصل می شود (یا می تواند به آن متصل شود) (شکل 2). مدل ریاضی زیر نورون مصنوعی برای درک ارائه شده است:

y = f (z؟ = i (wi-xi + bi)) ، (1)

کجا: WJ - وزن ورودی های مربوطه را نشان می دهد.

XJ - سیگنال هایی را در ورودی های نورون نشان دهید.

BI - ورودی و وزن نورون جابجایی را نشان می دهد.

شکل 2. شماتیک یک نورون مصنوعی

رمزنگاری نسبت به سایر روشهای حفاظت از جریان اطلاعات ، یعنی غلظت کار الگوریتمی بر فرآیندهای فیزیکی و روشها ، یک ویژگی متمایز دارد. اطلاعات و رمزهای دریافت شده با استفاده از روشهای فیزیکی می توانند بر اساس اشیاء مکانیک کوانتومی منتقل و تشکیل شوند. همه فرآیندها به طور کلی ، در این روش رمزگذاری اطلاعات ، با استفاده از روشهای فیزیکی انجام می شود. یکی از نمونه های کار الگوریتم های کوانتومی کریپتوگرافی ، حرکت برخی از الکترونها در میدان الکتریکی یا فوتون ها در خطوط ارتباطی فیبر نوری است. چنین مدار شامل یک کانال کوانتومی و تجهیزات ویژه ای است که در هر دو انتهای سیستم قرار می گیرد. شکل 3 به صورت شماتیک اصل عملکرد چنین طرحی را برای انتقال جریان اطلاعات نشان می دهد [4].

شکل 3. الگوریتم رمزنگاری محافظت از اطلاعات

همانطور که از نمودار مشاهده می شود ، اصل اصلی عملکرد الگوریتم های کوانتومی کریپتوگرافی عدم اطمینان از رفتار سیستم کوانتومی است. ایده اصلی این اصل

در این واقعیت نهفته است که امکان بیان هماهنگ و حرکت یک ذره بدون تحریف موازی دیگری وجود ندارد.

امروزه با استفاده از کار فرآیندهای کوانتومی ، سیستم های ارتباطی مختلف و وسایل انتقال جریان اطلاعات به طور گسترده ای اجرا و توسعه می یابند ، و توانایی تشخیص صد درصدی از استراق سمع و رهگیری اطلاعات دارند. این توانایی با استفاده از فاکتور زیر حاصل می شود: هرگونه تلاش برای اندازه گیری پارامترهای بهم پیوسته سیستم کوانتومی ، اختلالات را در آن ایجاد می کند ، در موازی با از بین بردن داده های اولیه.

در سالهای اخیر تحقیقات در زمینه ساخت روشهای حمایت از اطلاعات با استفاده از تئوری رمزنگاری و برنامه نویسی مقاوم به سر و صدا به طور فعال انجام می شود و دقیقاً این سیستم ها به طور فعال در معرض حملات رایانه ای قرار می گیرند. سیستم های امنیتی اطلاعات موجود به طور سنتی امکان یادگیری خود را ندارند و فقط از قوانین خاصی استفاده می کنند که در نرم افزار یا سخت افزار آنها گذاشته شده است. ایجاد سیستم های امنیتی اطلاعات چشم انداز اخیراً با استفاده از ابزارهای فکری ، مانند: سیستم های خبره ، سیستم های منطق فازی ، شبکه های عصبی ، الگوریتم های ژنتیکی مشخص شده است. این رویکردها خصوصیات تکاملی سازگاری ، خود سازماندهی ، یادگیری ، امکان وراثت و بازنمایی تجربه کارشناسان امنیت اطلاعات را در قالب سیستم قوانین فازی موجود برای تجزیه و تحلیل اجرا می کنند [5].

بر اساس تئوری هوش مصنوعی و شبکه های عصبی مصنوعی و همچنین مطالعه عملکرد اساسی الگوریتم های رمزنگاری برای رمزگذاری اطلاعات ، می توانیم موارد زیر را ارائه دهیم ، که در شکل 4 الگوریتم محافظت از رمزنگاری فکری از اطلاعات در شبکه های داده های فیبری-نوری نشان داده شده است. واد

شکل 4. الگوریتم رمزگذاری هوشمند برای ارتباطات شبکه

ظهور فزاینده نرم افزار ناخواسته (مخرب) که از آسیب پذیری های جدید بهره می برد ، الزامات سیستم های امنیتی اطلاعات مدرن را افزایش داده و منجر به استفاده از سیستم های اطلاعاتی مصنوعی شده است. ابزارهای اطلاعاتی به طور فعال برای حل مشکلات امنیت اطلاعات استفاده می شوند. طبقه بندی و خوشه بندی وظایف اصلی حل شده توسط ابزارهای هوشمند برای امنیت اطلاعات (IS) کانال های ارتباطات از راه دور در ارتباطات فضایی است ، زیرا نظارت مداوم بر آسیب پذیری های سیستم و زمینه های تهدید کانال ها لازم است [6].

ارزیابی عملکرد سیستم امنیت اطلاعات بر اساس اصل رمزنگاری هوشمند

هوش مصنوعی تأثیر بسزایی در بسیاری از بخش های جامعه و اقتصاد ما دارد (به عنوان مثال ، پیش بینی پلیس ، عدالت ، پزشکی دقیق ، بازاریابی ، تبلیغات سیاسی). برنامه های بخش هوش مصنوعی با مشکلات مختلف مشخص می شوند و در این گزارش به درستی قابل بحث نیستند ، که یک مرور کلی از موضوعات اصلی مربوط به تعامل بین محافظت از داده ها و هوش مصنوعی را ارائه می دهد. بنابراین ، این بخش آخر به طور خلاصه فقط در دو حوزه اصلی ریخته می شود: بخش دولتی و محل کار. به ویژه ، در بیشتر موارد ، معرفی فن آوری های هوش مصنوعی در امنیت اطلاعات سازمان ، زمان شناسایی مشکلات و پاسخ به حوادث و همچنین هزینه های مدیریت پرسنل را کاهش می دهد. اپراتورها به افزایش اثربخشی تشخیص تهدیدهای ناشناخته و همچنین سرعت تجزیه و تحلیل و تشخیص فعالیت مخرب در نقاط پایانی و برنامه ها توجه می کنند [8].

برنامه های هوش مصنوعی تعدادی از سؤالات خاص را هنگام استفاده در بخش دولتی افزایش می دهد ، عمدتاً به دلیل عدم تعادل قدرت بین شهروندان و مدیریت و خدمات لازم ارائه می شود. علاوه بر این ، اتخاذ راه حل های جامع و نامشخص هوش مصنوعی از دولت ها و آژانس های آنها نشان می دهد که رعایت تعهدات پاسخگویی آنها دشوارتر است ، نه تنها در مورد داده های پردازش

این وضعیت ، ظاهراً ، به جز انتقال کمیته های ویژه یا حسابرسی ، تصویب ضمانت های دقیق تر را توجیه می کند. حفاظت همچنین باید حاوی یک فرایند ارزیابی باشد که نیاز به راه حل های پیشنهادی هوش مصنوعی و مناسب بودن آنها برای ارائه خدمات توسط آژانس های دولتی یا شرکت های خصوصی که از طرف آنها فعالیت می کنند ، ارزیابی می کند. این فرایند نیاز به "حداقل آنها [برنامه های AI] باید برای ممیزی عمومی ، آزمایش و توجه و همچنین مطابق با استانداردهای پاسخگویی در دسترس باشد."

برای دستیابی به این هدف ، رویه های تهیه دولت می تواند وظایف خاص شفافیت و ارزیابی قبلی را توسط تأمین کنندگان AI تحمیل کند.

علاوه بر این ، رویه های تهیه همچنین ممکن است موضوعات مربوط به حمایت از IP از اسرار تجاری را که استثنائات قراردادی خاصی را برای افزایش شفافیت و ایجاد ممیزی احتمالی AI معرفی می کند ، حل کند.

در مورد پیامدهای هوش مصنوعی برای آینده کار ، ترک در جهت تأثیر آن در بازار کار ، راه حل های هوش مصنوعی می توانند بر روابط در محیط کار تأثیر بگذارند. اول ، آنها می توانند در شرایطی که اغلب با عدم تعادل قدرت مشخص می شوند ، کنترل کارفرمایان را بر روی کارمندان افزایش دهند.

علاوه بر این ، استفاده از فرم های پردازش داده های پنهان و کنترل نشده می تواند با ایجاد سؤالات مهم اضافی در مورد نقش شفافیت ، کمیته های اخلاق و مشارکت داوطلبانه در پردازش داده ها ، محل کار را به یک آزمایش اجتماعی تبدیل کند.

سرانجام ، دستگاه هایی که توسط کارفرمایان به کارمندان پرداخت می شود ممکن است دو برابر استفاده کنند. به عنوان مثال ، در محل کار در محل کار ، می توانید دستگاه های بهزیستی پوشیدنی را برای جمع آوری داده های بیولوژیکی طراحی شده برای محافظت از سلامت کارمند بپوشید ، اما کارمندان همچنین می توانند از آنها در خارج از کار برای ردیابی تناسب اندام ورزشی خود استفاده کنند. اگر فقط عواقب حفاظت از داده ها و آزادی فردی مورد مطالعه قرار نگیرد ، چنین استفاده مضاعف می تواند مرزهای بین کار و زندگی شخصی را محو کند ، مسائل مربوط به کنترل مشترک و حق تعطیل را افزایش دهد. در شکل 5 کارآیی استفاده از فناوری های هوش مصنوعی برای سناریوهای مختلف است:

12،00 ٪ 10،00 ٪ 8،00 ٪ 6،00 ٪ 4،00 ٪ 2،00 ٪ 0،00 ٪

تشخیص و تجزیه و تحلیل کاربرد کاربر و نقطه پایانی ضد فیشینگ

پاسخ به پیش بینی و محافظت از رفتار دستگاه

حملات سایبری آسیب پذیری

شکل 5. کارآیی استفاده از فن آوری های هوش مصنوعی برای سناریوهای مختلف در مقایسه با سیستم های سنتی ضد آب

با بررسی ارتباط استفاده از سیستم های فکری ، به ویژه ، شبکه های عصبی مصنوعی در کارهای حفاظت از اطلاعات ، لازم است که با جزئیات بیشتری در مورد جنبه ادغام ادغام داده های شبکه در منطقه مورد مطالعه تمرکز کنید.

لازم به ذکر است که براساس داده های SANS ، حدود 30 ٪ از کارشناسان امنیت اطلاعات متقاعد شده اند که فن آوری های هوش مصنوعی قادر به افزایش کارایی در تشخیص تهدیدهای ناشناخته هستند.

نسبت به روشهای استاندارد معیارهای امنیت اطلاعات ، با ادغام شبکه های عصبی مصنوعی ، درصد را در نظر بگیرید (شکل 6):

بهتر بهبود یافته صرفاً ضبط بهتر کارآمدتر

شناسایی حفاظت از داده های زمانی (کوتاه تر) و استفاده از تهدید از تهدیدهای ناشناخته پرسنل بین اطلاعات

عفونت و بهبودی

شکل 6. بهبود با ادغام شبکه های عصبی مصنوعی در مقایسه با سیستم های سنتی ضد آب

اکثر شرکت ها به طور فعال از ANN به منظور بهبود کارآیی سیستم های حفاظت از اطلاعات استفاده می کنند که فن آوری های هوشمند باعث افزایش اثربخشی در بررسی حوادث ، کاهش زمان پاسخ به تهدیدات ، افزایش کارایی مدیریت پرسنل و غیره نیز می شوند. در نتیجه شرکت ها با واقعیت کاهش پاسخ های دروغین تأیید می شوند. ادغام شبکه های عصبی در سیستم های امنیتی اطلاعات [7].

بر اساس داده های فوق ، مشخص است که فن آوری های ANN در مبارزه با تهدیدهای اطلاعاتی مدرن نقش زیادی دارند. در اکثر موارد قریب به اتفاق ، فن آوری های هوشمند زمان کار را برای شناسایی مشکلات و پاسخ بعدی به حوادث کاهش می دهند و همچنین هزینه مدیریت پرسنل را کاهش می دهند. شرکت های Inc که در سیستم های خود فعالیت می کنند ، به افزایش قابل توجهی در کارآیی در تشخیص تهدیدهای ناشناخته و همچنین افزایش سرعت تجزیه و تحلیل و تشخیص فعالیت های مخرب روی سرورها توجه می کنند.

مروری بر وضعیت بخش اطلاعات مصنوعی در امنیت اطلاعات به شما امکان می دهد نتیجه گیری های زیر را انجام دهید:

روشهای اصلی برای محافظت از ترافیک از نشت در خطوط ارتباطی فیبر نوری را می توان به سه گروه اصلی روش برای محافظت در برابر رهگیری چنین اطلاعاتی توسط یک متجاوز تقسیم کرد:

1. وسایل فیزیکی حفاظت از اطلاعات ؛

2. وسایل سخت افزاری حفاظت از اطلاعات ؛

3. محافظت از رمزنگاری از اطلاعات.

شبکه های عصبی مصنوعی زمینه اصلی توسعه از زمینه هوش مصنوعی برای حل مشکلات امنیت اطلاعات است.

همه فرآیندها به طور کلی ، در این روش رمزگذاری اطلاعات ، با استفاده از روشهای فیزیکی انجام می شود. یکی از نمونه های کار الگوریتم های کوانتومی کریپتوگرافی ، حرکت برخی از الکترونها در میدان الکتریکی یا فوتون ها در خطوط ارتباطی فیبر نوری است. چنین مدار شامل یک کانال کوانتومی و تجهیزات ویژه ای است که در هر دو انتهای سیستم قرار می گیرد. هوش مصنوعی نقش مهمی در مبارزه با تهدیدهای اطلاعاتی مدرن دارد.

در نتیجه کار ، می توان دریافت که A Technologies یکی از ابتکاری ترین و دستیابی به موفقیت های علمی امروز است. این وجوه تقریباً در تمام حوزه های زندگی یک شخص مدرن ، اعم از افراد داخلی و پایان دادن به حرفه ای ، به طور گسترده ای معرفی می شود. در این مقاله ، موضوعات مربوط به ادغام شبکه های عصبی مصنوعی در سیستم های امنیتی اطلاعات شرکتهای مدرن با جزئیات بیشتری وجود داشت.

1. Kudryavtseva K. A. سناریو اتصال به کابل های فیبر نوری و محافظت در برابر رهگیری غیرقانونی اطلاعات در کانال های OV // دریاسالار S. O. دانشگاه ایالتی ماکاروف ناوگان دریایی و رودخانه. 2014.

2. Uktamjonov SH. U. ، Kosimov I. A. ، Otakhujaev J. T. روش حفاظت از سیگنال اطلاعات از دسترسی غیرمجاز در FOCL // علوم اروپایی. 2019.

3. Katorin Yu. F. ، Korotkov V. V. ، Nyrkov Anatoly Pavlovich امنیت اطلاعات در کانال های انتقال داده در شبکه های ساحلی سیستم شناسایی خودکار // بولتن دانشگاه ایالتی دریانوردی و ناوگان رودخانه دریاسالار S. O. Makarov. 2012.

4. Afanasyeva D. V. ، کاربرد هوش مصنوعی در امنیت داده ها // مجموعه مقالات دانشگاه ایالتی Tula. علوم فنی. 2020

5. Balanovskaya A. V. تجزیه و تحلیل وضعیت فعلی تهدیدها برای امنیت اطلاعات شرکتها // امنیت اطلاعات مناطق. 2015.

6. Bogachkov I. V. ، Lutchenko S. S. ، Kopytov E. YU. تعیین ضریب در دسترس بودن FOCL بسته به تأثیرات خارجی و خطاهای تشخیصی // t-comm. 2018.

7. Tershukov D. A. تجزیه و تحلیل تهدیدهای مدرن برای امنیت اطلاعات // فناوری NBI. 2018.

8. Tsvetkova O. L. ، Kreper A. I. در مورد استفاده از تئوری شبکه عصبی مصنوعی در حل مشکلات امنیت اطلاعات // نماد علم. 2017.

9. Reisman ، D. ، Schultz ، J. ، Crawford ، K. and Whittaker ، M. 2018. ارزیابی تأثیر الگوریتمی: یک چارچوب عملی برای پاسخگویی آژانس های عمومی https: // Ainowinstitute. org/aiAreport2018. PDF