Информационно - коммуникационные и химические технологии

Том_ 2 № 27 (2025) / 2025-06-28 / Кол. просмотров: 313

АЛГОРИТМ МНОГОФАКТОРНОГО ПРОГНОЗИРОВАНИЯ СЕТЕВЫХ УЯЗВИМОСТЕЙ: ОТ АНАЛИЗА ДАННЫХ CVE К РАЗРАБОТКЕ МОДЕЛИ ПРОГНОЗИРОВАНИЯ

Авторы

ЕНУ им. Л.Н.Гумилева
https://orcid.org/0000-0002-9212-251X
КазУТБ им К.Кулажанова
https://orcid.org/0009-0002-5754-4001
КазУТБ им К.Кулажанова
https://orcid.org/0000-0002-1195-6919
Берлинский технический университет
https://orcid.org/0009-0002-9480-0596

Ключевые слова

алгоритм многофакторного прогнозирования, сетевые уязвимости, методы прогнозирования, CVSS, CVE, машинное обучение

DOI ссылка:

https://doi.org/10.58805/kazutb.v.2.27-1006

Как цитировать

Шегетаева A., и др. «АЛГОРИТМ МНОГОФАКТОРНОГО ПРОГНОЗИРОВАНИЯ СЕТЕВЫХ УЯЗВИМОСТЕЙ: ОТ АНАЛИЗА ДАННЫХ CVE К РАЗРАБОТКЕ МОДЕЛИ ПРОГНОЗИРОВАНИЯ». Вестник КазУТБ, т. 2, вып. 27, июнь 2025 г., doi:10.58805/kazutb.v.2.27-1006.

Аннотация

В статье представлен алгоритм многофакторного прогнозирования сетевых уязвимостей на основе анализа данных из базы CVE (Common Vulnerabilities and Exposures). Цель исследования заключается в разработке и внедрении модели, способной не только выявлять существующие уязвимости, но и предсказывать их появление в будущем с применением формальных методов и машинного обучения. Авторы проводят обзор и сравнительный анализ современных методов прогнозирования, включая статистические подходы, алгоритмы машинного обучения (в частности, Random Forest), кластеризацию и методы искусственного интеллекта. В рамках исследования была разработана программа прогнозирования, использующая данные о типах уязвимостей, степени критичности (CVSS), программном обеспечении и годе обнаружения. Модель, основанная на алгоритме случайного леса, показала высокую точность прогнозирования (94,14%). Проведена визуализация результатов в виде графиков и диаграмм, отражающих динамику и распределение уязвимостей по годам и категориям программного обеспечения. Результаты работы подтверждают эффективность предложенного подхода и демонстрируют потенциал его применения в системах кибербезопасности для раннего предупреждения угроз. В перспективе планируется интеграция более сложных моделей, учет новых факторов и создание системы автоматического уведомления об угрозах.