Аналіз рівня кіберризиків в країнах світу
DOI:
https://doi.org/10.20535/1560-8956.48.2026.351894Ключові слова:
інтелектуальний аналіз даних, модель кластеризації, модель класифікаціїАнотація
У період стрімкої цифровізації майже всіх сфер діяльності питання кібербезпеки набуває вирішального значення для стабільного функціонування як державних, так і приватних структур. Щороку фіксується зростання кількості кіберінцидентів, які завдають шкоди критичній інфраструктурі, порушують конфіденційність даних, призводять до фінансових втрат та підривають довіру користувачів до цифрових сервісів. Зокрема, країни з різними рівнями економічного розвитку, технологічного забезпечення та цифрової грамотності мають неоднаковий ступінь вразливості до кіберзагроз.
Для забезпечення ефективного управління ризиками та ухвалення стратегічних рішень у сфері кібербезпеки необхідно проводити глибокий аналіз великого обсягу даних, що включає інформацію про кіберінциденти, індекси кіберготовності, технологічні показники, рівень цифрової інфраструктури, інвестиції в ІТ-сектор тощо. Такий підхід дозволяє виявити приховані закономірності, сформувати профілі країн за рівнем кіберризиків та спрогнозувати можливі загрози.
У роботі розглядається проблема класифікації та кластеризації країн світу за рівнем кіберризиків на основі багатовимірного аналізу історичних даних за період 2015-2024 рр. Використовуються такі показники, як: кількість і типи кіберінцидентів, втрати, час усунення, кількість уражених користувачів, індустрії, які зазнали кібератаки, індекси кібербезпеки, кількість користувачів інтернету, захищених інтернет-серверів, показники ВВП на душу населення, широкосмугового інтернету, доступу до електроенергії та витрат на дослідження й розвиток для країн світу. Для вирішення поставленої задачі використано сучасні методи аналізу даних. За допомогою моделей класифікації K-Nearest Neighbors, Random Forest та Gradient Boosting було здійснено прогнозування рівня ризику для кожної країни. Найкращий результат показала модель Gradient Boosting, яка досягла точності близько 94.47%. Результати класифікації були підтверджені обчисленням точності та інших метрик оцінювання, а також візуальним та порівняльним аналізом розбіжностей між методами. Кластеризація за допомогою алгоритмів K-Means, DBSCAN та Agglomerative Clustering дозволила виявити три основні групи країн: з високим, середнім та низьким рівнем кіберризиків.
Бібл. 7, іл. 7, табл. 1
Посилання
Zakeri A., Qin C., Gebremariam B. Cybersecurity Clustering Using K-Means [Електронний ресурс] // arXiv preprint. – 2024. – arXiv:2402.01061. – Режим доступу: https://arxiv.org/pdf/2402.01061.
scikit-learn developers. sklearn.cluster.DBSCAN [Електронний ресурс]. – Режим доступу: https://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html.
scikit-learn developers. sklearn.cluster.AgglomerativeClustering [Електронний ресурс]. – Режим доступу: https://scikit-learn.org/stable/modules/generated/sklearn.cluster.AgglomerativeClustering.html.
Altman N. An Introduction to K-Nearest Neighbors [Електронний ресурс] // arXiv preprint. – 2017. – arXiv:1706.03113. – Режим доступу: https://arxiv.org/pdf/1706.03113.
Breiman L. Random Forests [Електронний ресурс] // arXiv preprint. – 2011. – arXiv:1109.2378. – Режим доступу: https://arxiv.org/pdf/1109.2378.
Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System [Електронний ресурс] // arXiv preprint. – 2020. – arXiv:2012.06047. – Режим доступу: https://arxiv.org/pdf/2012.06047.
scikit-learn developers [Електронний ресурс]. – Режим доступу: https://scikitlearn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
1.Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
