ГИБРИДНАЯ ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ОЦЕНКИ КИБЕРРИСКОВ И ВЫБОРА ЗАЩИТНЫХ МЕР

Выбор подходящих систем информационной безопасности представляет собой сложную задачу, зави­сящую от организационных рисков, характеристик инфраструктуры, киберугроз и нормативных требований. Традиционные подходы, основанные на экспертной оценке и ручном анализе, часто обладают ограниченной адаптивностью и масштабируемостью. В данной работе предлагается гибридная интеллектуальная система поддержки принятия решений, объединяющая нечеткую логику, машинное обучение и стандарты ISO в области информационной безопасности. Модуль нечеткого вывода выполняет оценку риска в условиях неопределенности с использованием параметров частоты атак, уровня уязвимости и эффективности защиты. На основе вычисленного уровня риска система формирует рекомендации по реагированию в соответствии с международными стандартами ISO/IEC. Дополнительно используется модель Random Forest для оценки эффективности выбранных мер защиты. Экспериментальные результаты показали высокую точность и адаптивность предложенной архитектуры.

1. Apruzzese, G., et al. The Role of Machine Learning in Cybersecurity. Digital Threats: Research and Practice, 4 (1), 1–38 (2022). https://doi.org/10.1145/3545574

2. Kerimkhulle, S., et al. Fuzzy Logic and Its Application in the Assessment of Information Security Risk of Industrial Internet of Things. Symmetry, 15 (10), 1958 (2023). https://doi.org/10.3390/sym15101958

3. Merola, F., Bernardeschi, C., Lami, G. A Risk Assessment Framework Based on Fuzzy Logic for Automotive Systems. Safety, 10 (2), 41 (2024). https://doi.org/10.3390/safety10020041

4. Soori, M., et al. AI-Based Decision Support Systems in Industry 4.0: A Review. Journal of Economy and Technology, 4, 206–225 (2024). https://doi.org/10.1016/j.ject.2024.08.005

5. Singer, P., Friedman, A. Cybersecurity and Cyberwar: What Everyone Needs to Know. Oxford University Press (2014). https://doi.org/10.1093/wentk/9780199918096.001.0001

6. Peltier, T.R. Information Security Policies, Procedures, and Standards. CRC Press (2021).

7. Ahmed, M., Mahmood, A., Hu, J. A Survey of Network Anomaly Detection Techniques. Journal of Network and Computer Applications, 60, 19–31 (2015). https://doi.org/10.1016/j.jnca.2015.11.016

8. Wang, M., et al. Machine Learning for Networking: Workflow, Advances and Opportunities. IEEE Network, 32 (2), 92–99 (2018). https://doi.org/10.1109/MNET.2017.1700200

9. Ludonga, A., Singo, S. Systematic Review Cyber Risk Management: Frameworks, Strategies, and Case Studies in Cybersecurity (2025). https://doi.org/10.5281/zenodo.17372361

10. Zadeh, L.A. Fuzzy Sets. Information and Control, 8 (3), 338–353 (1965). https://doi.org/10.1016/S0019-9958(65)90241-X

11. ISO/IEC 27001:2022 Information Security Management Systems (2022). https://www.iso.org/standard/27001

12. Tukaram, L. Deep Learning in Cybersecurity: Applications, Challenges, and Future Prospects. International Journal of Innovations in Science Engineering and Management, 4 (2), 27–33 (2025). https://doi.org/10.69968/ijisem.2025v4i227-33