УДК 519.71
В. ХИЛЕНКО
Національний університет біоресурсів і природокористування України, Київ, Україна;
Словацький технічний університет, Братіслава, Словаччина, 
vkhilenko@ukr.net
Б. АХМЕТОВ
Казахський національний педагогічний університет імені Абая, Алмати, Казахстан
Р. БЕРДИБАЄВ
Алматинський університет енергетики та телекомунікацій, Алмати, Казахстан
В. ЛАХНО
Національний університет біоресурсів і природокористування України, Київ, Україна
Ю. ХАРЧЕНКО
Національний університет біоресурсів і природокористування України, Київ, Україна
ВЕН-ЛІАНГ ХВАНГ
Інститут інформаційних наук, Academia Sinica, Тайбей
В. ХИЛЕНКО мол.
Словацький технічний університет, Братислава, Словаччина
ПІДВИЩЕННЯ ШВИДКОДІЇ БАНКІВСЬКИХ СИСТЕМ
КІБЕРБЕЗПЕКИ НА ОСНОВІ ІНТЕЛЕКТУАЛЬНОГО
АНАЛІЗУ ДАНИХ ТА АЛГОРИТМІВ ШТУЧНОГО
ІНТЕЛЕКТУ ДЛЯ ПРОГНОЗУВАННЯ КІБЕРАТАК. Ч. 1
Анотація. Розглянуто підвищення швидкодії та якості роботи систем кіберзахисту банківських установ в умовах постквантумної ери. Запропоновано математичний апарат для систем прогнозування кібератак та алгоритм визначення моменту включення режиму підвищеної захищеності. Враховано можливість організації кібератак за допомогою нейромереж та алгоритмів штучного інтелекту. Наведено приклад формування та аналізу кластера підозрілих операцій із використанням мови Julia.
Ключові слова: кіберзахист банківських установ, загрози постквантумної ери, система прогнозування кібератак, запобігання кібератакам, кластеризація.
повний текст
СПИСОК ЛІТЕРАТУРИ
- Ghavami P. Big Data management: Data governance principles for Big Data analytics. Berlin: De Gruyter, 2020. 174 p.
- Balusamy B., Nandhini A.R., Kadry S., Gandomi A.H. Big Data: Concepts, technology, and architecture. Wiley, 2021, 368 p.
- Fikar J. Chinese scientists claim to be able to break the RSA cipher with a new quantum computer algorithm. 6.1.2023. URL: https://www.root.cz/zpravicky .
- Khilenko V.V. Formation of a new conception and a paradigm of constructing cybersecurity systems. Cybernetics and Systems Analysis. 2019. Vol. 55, N 3. P. 354–358. doi.org/10.1007/s10559-019-00141-8 .
- Coates A., Ng A.Y. Learning feature representations with k-means. In: Neural Networks: Tricks of the Trade. Montavon G., Orr G.B., Mller K.R. (Eds). Lecture Notes in Computer Science. Berlin; Heidelberg: Springer, 2012. Vol. 7700. P. 561–580. https://doi.org/10.1007/978-3-642-35289-8_30 .
- Celebi M.E., Kingravi H.A., Vela P.A. A comparative study of efficient initialization methods for the k-means clustering algorithm. Expert Systems with Applications. 2012. Vol. 40, N 1. P. 200–210. https://doi.org/10.1016/j.eswa.2012.07.021.
- Deza M.M., Deza E. Encyclopedia of distances. 4th ed. Berlin; Heidelberg: Springer, 2016. 756 p. https://doi.org/10.1007/978-3-662-52844-0 .
- Hwang W.-L. , Tung S.-S. Analysis of function approximation and stability of general DNNs in directed acyclic graphs using un-rectifying analysis. arXiv:2206.05997v1 [cs.LG] 13 June 2022. https://doi.org/10.48550/arXiv.2206.05997.
- Fahrmeir L., Kneib T., Lang S., Marx B. Regression models, methods and applications. Berlin; Heidelberg: Springer, 2022. 746 p.
- Грищенко А.З., Хиленко В.В. Метод понижения порядка и исследование динамических систем. Киев: УМК ВО, 1988. 164 с.
- Моисеев Н.Н. Математические задачи системного анализа. Москва: Наука, 1981. 488 с.
- Шарингтон М. Осваиваем язык Julia. Москва: ДМК Пресс, 2017. 416 с.
- Миркин Б.Г. Анализ качественных признаков и структур. Москва: Статистика, 1980. 319 с.
