Исследование методов машинного обучения в задаче классификации и обнаружения фишинговых веб-сайтов

Данная выпускная квалификационная работа посвящена глубокому анализу использования передовых методов машинного обучения, включая нейронные сети, деревья решений и ансамблевые методы, для повышения эффективности процессов классификации и оперативного обнаружения фишинговых веб-сайтов, представляющих серьезную угрозу для экономической безопасности. Исследование охватывает комплексный обзор современных научных подходов и существующих программных решений в данной области, уделяя особое внимание их применимости и адаптации к специфике российского киберпространства и нормативно-правовой базы, регламентирующей противодействие киберпреступности. В работе будут рассмотрены ключевые признаки фишинговых ресурсов, разрабатываемые на их основе функциональные и поведенческие модели, а также механизмы их успешного внедрения в системы мониторинга и защиты информации российских финансовых организаций и государственных структур с учетом требований Федеральной службы по техническому и экспортному контролю (ФСТЭК России) и Центрального банка Российской Федерации. Будут проанализированы преимущества и недостатки различных алгоритмов машинного обучения при обработке больших объемов данных, сформированных в результате анализа сетевого трафика и содержимого веб-страниц, с целью минимизации ложноположительных срабатываний и повышения скорости реагирования на вновь возникающие угрозы.

Практическим продуктом исследования является методическая модель гибридной системы классификации и обнаружения фишинговых веб-сайтов, основанная на комбинации методов машинного обучения и регулярно обновляемых баз данных индикаторов компрометации, адаптированная для применения в российских условиях с учетом специфики законодательства и операционной среды.

Актуальность исследования определяется стремительным ростом числа киберпреступлений, связанных с фишингом, которые причиняют значительный экономический ущерб российским организациям и гражданам, а также насущной потребностью в разработке и внедрении высокоэффективных и масштабируемых механизмов противодействия этим угрозам в условиях цифровизации экономики и усиления геополитической напряженности.

Целью выпускной квалификационной работы является разработка и обоснование методических рекомендаций по применению методов машинного обучения для повышения эффективности классификации и оперативного обнаружения фишинговых веб-сайтов в контексте обеспечения экономической безопасности Российской Федерации.

1. Провести комплексный анализ теоретических основ и существующих подходов к классификации и обнаружению фишинговых веб-сайтов, включая обзор современных методов машинного обучения.

2. Изучить нормативно-правовую базу Российской Федерации, регулирующую вопросы противодействия киберпреступности и защиты информации, с акцентом на положения Федерального закона «О персональных данных» и нормативных актов ФСТЭК России и Центрального банка РФ.

3. Выявить ключевые признаки и тактики, используемые злоумышленниками при создании и распространении фишинговых веб-сайтов в российском сегменте сети Интернет, на основе анализа инцидентов, зафиксированных Национальным координационным центром по компьютерным инцидентам (НКЦКИ).

4. Проанализировать применимость различных алгоритмов машинного обучения (например, SVM, Random Forest, нейронные сети) для задач классификации фишинговых веб-сайтов, оценив их точность, скорость обучения и вычислительные требования применительно к имеющимся массивам данных.

5. Разработать методическую модель гибридной системы обнаружения фишинговых ресурсов, интегрирующей методы машинного обучения с эвристическим анализом и базами сигнатур, обеспечивающую повышение эффективности идентификации угроз.

6. Сформировать практические рекомендации по внедрению и оптимизации систем на базе машинного обучения для государственных органов, финансовых организаций и промышленных предприятий Российской Федерации в целях усиления их киберзащиты и обеспечения экономической безопасности.