2025. — Т 12. — №s3 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://resources.today/03faor325.html

This article metadata is also available in English

DOI: 10.15862/03FAOR325 (https://doi.org/10.15862/03FAOR325)

Полный текст статьи в формате PDF (объем файла: 460.2 Кбайт)

Ссылка для цитирования этой статьи:

Бестаев, Г. Б. Применение методов машинного обучения для прогнозирования киберугроз в финансовых экосистемах / Г. Б. Бестаев // Отходы и ресурсы. — 2025. — Т 12. — №s3. — URL: https://resources.today/PDF/03FAOR325.pdf. — DOI: 10.15862/03FAOR325. (дата обращения: 07.10.2026).

Применение методов машинного обучения для прогнозирования киберугроз в финансовых экосистемах

Бестаев Георгий Бадриевич
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
E-mail: 224944@edu.fa.ru

Аннотация. Нарастающая сложность ландшафта киберугроз и усиление целенаправленных атак на финансовый сектор обусловливают потребность в переходе от реактивной модели обеспечения информационной безопасности к проактивной, основанной на прогнозировании вероятных сценариев развития инцидентов. Методы машинного обучения предоставляют финансовым экосистемам инструментарий для анализа массивов транзакционных, сетевых и поведенческих данных, выявления нетривиальных закономерностей и формирования моделей вероятности киберриска. Целью настоящего исследования является определение особенностей применения методов машинного обучения для прогнозирования киберугроз в финансовых экосистемах, раскрытие их функциональных возможностей и оценка ключевых ограничений практического внедрения. В работе систематизированы основные направления прогнозирования киберугроз средствами машинного обучения, проведён сравнительный анализ классов алгоритмов (обучение с учителем, обучение без учителя, глубокое обучение) по критериям применимости к финансовым данным, предложена авторская классификация ограничений внедрения интеллектуальных моделей, дифференцированная по природе барьера. Результаты свидетельствуют о том, что наибольшую эффективность обеспечивает комплексное применение нескольких классов моделей, встроенных в общую архитектуру управления киберрисками, при условии сочетания технологической зрелости организации, достаточной полноты данных и наличия регламентов, определяющих место интеллектуальных решений в системе принятия решений. Научная новизна состоит в разработке авторской классификации ограничений внедрения ML-моделей в финансовый сектор, дифференцированной по природе барьера, и в систематизации направлений прогнозирования с учётом российской специфики ландшафта киберугроз 2025–2026 годов. Практическая значимость определяется возможностью использования полученных выводов финансовыми организациями при формировании стратегии внедрения интеллектуальных систем обнаружения угроз и при выстраивании регламентов, определяющих место ML-моделей в контуре принятия решений.

Ключевые слова: машинное обучение; киберугрозы; финансовые экосистемы; кибербезопасность; прогнозирование; обучение с учителем; обучение без учителя; глубокое обучение; антифрод; интеллектуальный анализ данных

Скачать