ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК ИНСТРУМЕНТ КИБЕРРАЗВЕДКИ И КИБЕРОБОРОНЫ
Article Sidebar
Main Article Content
Abstract
Статья посвящена теоретическому и аналитическому рассмотрению искусственного интеллекта (ИИ) как инструмента современной киберразведки и киберобороны. Обосновывается тезис о том, что внедрение технологий машинного обучения и больших языковых моделей радикально трансформирует базовые операционные принципы кибербезопасности: вместо сигнатурного обнаружения известных угроз приходит поведенческое моделирование аномалий, а ручной анализ инцидентов уступает место автоматизированной аналитической обработке огромных массивов телеметрии. На основе теоретического анализа технической литературы, доктринальных документов и публичных кейсов разработана типология применений ИИ в кибербезопасности, охватывающая разведывательное, оборонительное и принципиально новое контрнаступательное измерения. Особое внимание уделено системным рискам, порождаемым самой технологией: уязвимостям систем машинного обучения, проблеме объяснимости решений, формированию асимметрии возможностей между сторонами конфликта и угрозе автономной эскалации. Делается вывод о том, что ИИ в кибербезопасности является не просто инструментом, но активным фактором изменения самой логики цифрового противостояния.
Article Details
References
1. CVE Details: National Vulnerability Database Statistics. – NIST, 2024. – URL: https://nvd.nist.gov/general/visualizations/vulnerability-visualizations (дата обращения: 20.03.2025).
2. Mandiant. M-Trends 2023 Report. – Reston : Mandiant, 2023. – 76 p.
3. Buczak A. L., Guven E. A survey of data mining and machine learning methods for cyber security intrusion detection // IEEE Communications Surveys & Tutorials. – 2016. – Vol. 18, № 2. – P. 1153–1176.
4. Goodfellow I. J., Shlens J., Szegedy C. Explaining and harnessing adversarial examples // International Conference on Learning Representations. – San Diego, 2015. – 11 p.
5. Sommer R., Paxson V. Outside the closed world: On using machine learning for network intrusion detection // IEEE Symposium on Security and Privacy. – 2010. – P. 305–316.
6. Apruzzese G., Colajanni M., Ferretti L., Marchetti M. On the effectiveness of machine and deep learning for cyber security // Tenth International Conference on Cyber Conflict (CyCon). – Tallinn : NATO CCDCOE, 2018. – P. 371–390.
7. Brundage M., Avin S., Clark J. et al. The Malicious Use of Artificial Intelligence: Forecasting, Prevention, and Mitigation. – Oxford : Future of Humanity Institute, 2018. – 101 p.
8. Schmitt M. N. (ed.) Tallinn Manual 2.0 on the International Law Applicable to Cyber Operations. – 2nd ed. – Cambridge : Cambridge University Press, 2017. – 642 p.
9. Chio C., Freeman D. Machine Learning and Security: Protecting Systems with Data and Algorithms. – Sebastopol : O’Reilly Media, 2018. – 386 p.
10. Biggio B., Roli F. Wild patterns: Ten years after the rise of adversarial machine learning // Pattern Recognition. – 2018. – Vol. 84. – P. 317–331.