Науковий вісник НГУ

Технологія визначення вагових коефіцієнтів складових інформаційної безпеки

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №1 2025

Останнє оновлення: 25 лютого 2025

Опубліковано: 30 листопада -0001

Перегляди: 41

Authors:

С.В.Онищенко, orcid.org/0000-0002-6173-4361, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А.Д.Глушко, orcid.org/0000-0002-4086-1513, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О.І.Лактіонов*, orcid.org/0000-0002-5230-524X, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

С.С.Білько, orcid.org/0000-0003-0259-4482, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

^* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2025, (1): 096 - 103

https://doi.org/10.33271/nvngu/2025-1/096

Abstract:

Мета. Розроблення технології визначення вагових коефіцієнтів на основі удосконаленої методики для забезпечення точності визначення рівня інформаційної безпеки з урахуванням її складових.

Методика. Досліджено процес створення й проведення експерименту технології визначення вагових коефіцієнтів складових інформаційної безпеки на макрорівні. Особливістю запропонованої технології є використання двох комплексних оцінок, котрі узагальнюють інформацію в одну оцінку. Один комплексний показник, побудований на основі врахування людського фактору, інший – з виключенням людського фактору за рахунок використання штучного інтелекту. Масиви результуючих оцінок використовуються для визначення рівня інформаційної безпеки. Це дозволяє поліпшити ефективність процесу діагностики інформаційної безпеки.

Результати. Запропонована технологія за рахунок використання комплексного показника демонструє ефективніші результати діагностики, що визначено за ознакою стандартного відхилення. Інтегрований показник, що враховує людський фактор, демонструє значення стандартного відхилення 0,0195, а комплексний показник без урахування людського фактору ‒ 0,0047.

Наукова новизна. Запропонована технологія відрізняється від існуючих використанням комплексного показника, котрий ураховує шестизначну взаємодію інтегрованих показників і вагові коефіцієнти, визначені засобами штучного інтелекту.

Практична значимість. Створена технологія забезпечує точніший результат інтегрального оцінювання рівня інформаційної безпеки. Це дозволить розробити ефективні державні інструменти для підвищення рівня інформаційної безпеки з урахуванням його поточного значення та обґрунтувати стратегічні напрями зміцнення інформаційної безпеки країни.

Ключові слова: лінійна модель, інтегральний показник, штучний інтелект, інформаційна безпека

References.

1. Onyshchenko, S., Yanko, A., Hlushko, A., & Maslii, O. (2023). Economic cybersecurity of business in Ukraine: strategic directions and implementation mechanism. Economic and cyber security. Kharkiv: PC TECHNOLOGY CENTER, (pp. 30-58). https://doi.org/10.15587/978-617-7319-98-5.ch2.

2. Onyshchenko, S., Yanko, A., & Hlushko, А. (2023). Improving the efficiency of diagnosing errors in computer devices for processing economic data functioning in the class of residuals. Eastern-European Journal of Enterprise Technologies, 5(4(125)), 63-73. https://doi.org/10.15587/1729-4061.2023.289185.

3. Krasnobayev, V., Yanko, A., & Hlushko, A. (2023). Information Security of the National Economy Based on an Effective Data Control Method. Journal of International Commerce, Economics and Policy, article no. 2350021. https://doi.org/10.1142/S1793993323500217.

4. Laktionov, A. (2019). Application of index estimates for improving accuracy during selection of machine operators. Eastern-European Journal of Enterprise Technologies, 3(1(99)), 18-26. https://doi.org/10.15587/1729-4061.2019.165884.

5. Kuzior, A., Yarovenko, H., Brożek, P., Sidelnyk, N., Boyko, A., & Vasilyeva, T. (2023). Company Cybersecurity System: Assessment, Risks and Expectations. Production Engineering Archives, 29(4), 379-392. https://doi.org/10.30657/pea.2023.29.43.

6. Onyshchenko, S., Zhyvylo, Y., Cherviak, A., & Bilko, S. (2023). Determination of the peculiarities peculiarities of using information security systems in financial institutions in order to increase the financial security level. Eastern-European Journal of Enterprise Technologies, 5(13(125)), 65-76. https://doi.org/10.15587/1729-4061.2023.288175.

7. Onyshchenko, S., Yanko, A., Hlushko, A., Maslii, O., & Cher­viak, A. (2023). Cybersecurity And Improvement Of The Information Security System. Journal of the Balkan Tribological Association, 29(5), 818-835.

8. Wang, A., Hu, S., & Li, J. (2021). Does economic development help achieve the goals of environmental regulation? Evidence from partially linear functional-coefficient model. Energy Economics, 103, 105618. https://doi.org/10.1016/j.eneco.2021.105618.

9. Kara, K., Yalçın, G. C., Simic, V., Polat, M., & Pamucar, D. (2024). An integrated neutrosophic Schweizer-Sklar-based model for evaluating economic activities in organized industrial zones. Engineering Applications of Artificial Intelligence, 130, 107722. https://doi.org/10.1016/j.engappai.2023.107722.

10. Atchadé, M. N., Mahoudjro, C., & De-Dravo, H. H. (2024). A new index to assess economic diplomacy in emerging countries. Research in Globalization, 8, 100205. https://doi.org/10.1016/j.resglo.2024.100205.

11. Sun, J., Li, Z., Li, J., Wu, G., & Xia, Y. (2023). Hybrid power system with adaptive adjustment of weight coefficients multi-objective model predictive control. International Journal of Electrical Power & Energy Systems, 153, 109296. https://doi.org/10.1016/j.ijepes.2023.109296.

12. Carmen, R.-C., Lasarte-Navamuel, E., & Geoffrey, J.D.H. (2023). Some considerations on assessing the importance of a coefficient. Socio-Economic Planning Sciences, 101765. https://doi.org/10.1016/j.seps.2023.101765.

13. Altintaş, F. F. (2024). A novel method for assessing the weight coefficients of criteria within the framework of multi-criteria decision-making: Measurement relying on the impacts of an exponential curve function (MIEXCF). Gazi University Journal of Science Part A: Engineering and Innovation. https://doi.org/10.54287/gujsa.1419551.

14. Pamučar, D., Stević, Ž., & Sremac, S. (2018). A New Model for Determining Weight Coefficients of Criteria in MCDM Models: Full Consistency Method (FUCOM). Symmetry, 10(9), 393. https://doi.org/10.3390/sym10090393.

15. Yuan, Q., Pi, Y., Kou, L., Zhang, F., & Ye, B. (2022). Quantitative Method for Security Situation of the Power Information Network Based on the Evolutionary Neural Network. Frontiers in Energy Research, 10. https://doi.org/10.3389/fenrg.2022.885351.

16. Hryhorii Hnatiienko, Nikolay Kiktev, Tatiana Babenko, Alona Desiatko, & Larysa Myrutenko (2021). Prioritizing Cybersecurity Measures with Decision Support Methods Using Incomplete Data. XXI International Scientific and Practical Conference “Information Technologies and Security” (ITS-2021), (pр. 169-180).

17. Zhu, G., & Wang, Y. (2019). Research on Risk Assessment of Information System Based on Fuzzy Neural Network. Proceedings of the International Academic Conference on Frontiers in Social Sciences and Management Innovation (IAFSM 2018). Atlantis Press. https://doi.org/10.2991/iafsm-18.2019.8.

18. Yang, M. (2022). Information Security Risk Management Model for Big Data. Advances in Multimedia, 2022, 1-10. https://doi.org/10.1155/2022/3383251.

19. Randjelovic, D., Stanković, J., Jankovic-Mmilic, V., & Stanko­vic, J. (2013). Weight coefficients determination based on parameters in factor analysis. Metalurgia international, 18, 128-131.

20. Zhang, Z., & Pfister, T. (2021). Learning fast sample re-weighting without reward data. 2021 IEEE/CVF International Conference on Computer Vision (ICCV). https://doi.org/10.1109/iccv48922.2021.00076.

21. Huang, X., Wu, S., & Yang, B. (2022). A Hardy-Hilbert-type inequality involving modified weight coefficients and partial sums. AIMS Mathematics, 7(4), 6294-6310. https://doi.org/10.3934/math.2022350.

22. Nitsenko, V., Kotenko, S., Hanzhurenko, I., & Ingram, K. L. (2020). Determination of Weight Coefficients for Stochastic and Fuzzy Risks for Multimodal Transportation. Journal of Physics: Conference Series, 1529, 032007. https://doi.org/10.1088/1742-6596/1529/3/032007.

23. Zhao, M., Feng, A., Zhou, J., Jin, Z., & Fan, J. (2024). Optimization study of high-dimensional varying coefficient partially linear model based on elastic network. Engineering Science and Technology, an International Journal, 55, 101731. https://doi.org/10.1016/j.jestch.2024.101731.

24. Altanany, M. Y., Badawy, M., Ebrahim, G. A., & Ehab, A. (2024). Modeling and optimizing linear projects using LSM and Non-dominated Sorting Genetic Algorithm (NSGA-II). Automation in Construction, 165, 105567. https://doi.org/10.1016/j.autcon.2024.105567.

25. Yang, Y., Luo, C., & Yang, W. (2024). Double penalized variable selection for high-dimensional partial linear mixed effects models. Journal of Multivariate Analysis/Journal of Multivariate Analysis, 105345. https://doi.org/10.1016/j.jmva.2024.105345.

26. Alsolami, I., & Fukai, T. (2022). An Extension of Fisher’s Criterion: Theoretical Results with a Neural Network Realization. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2212.09225.

27. Thaden, H., & Kneib, T. (2018b). Structural equation models for dealing with spatial confounding. The American Statistician, 72(3), 239-252. https://doi.org/10.1080/00031305.2017.1305290.

28. Maindonald, J. H., Braun, W. J., & Andrews, J. L. (2024). Multiple Linear Regression. A Practical Guide to Data Analysis Using R: An Example-Based Approach, (pp. 144-207). Chapter, Cambridge: Cambridge University Press.

29. Jagielski, M., Oprea, A., Biggio, B., Liu, C., Nita-Rotaru, C., & Li, B. (2018). Manipulating Machine Learning: Poisoning attacks and Countermeasures for regression learning. https://doi.org/10.1109/sp.2018.00057.

30. Svistun, L., Glushko, А., & Shtepenko, K. (2018). Organizational Aspects of Development Projects Implementation at the Real Estate Market in Ukraine. International Journal of Engineering & Technology, 7(3.2), 447-452. https://doi.org/10.14419/ijet.v7i3.2.14569.

31. Bashynska, I. O. (2015). Using the method of expert evaluation in economic calculations. Aktualʹni problemy ekonomiky, 7, 408-412.

• < Попередня
• Наступна >