Диверсификация методов когнитивных вычислений глубокого обучения в кибер-криминалистику

© Никита Ренарьевич Шахулов, 2021

ISBN 978-5-0053-5633-8

Создано в интеллектуальной издательской системе Ridero

Сегодня мир чаще, чем когда-либо, испытывает рост кибератак во всех сферах нашей повседневной жизни. Эта ситуация превратила борьбу с киберпреступлениями в повседневную борьбу как для отдельных лиц, так и для организаций. Кроме того, эта борьба усугубляется тем фактом, что сегодняшние киберпреступники сделали шаг вперед и могут использовать сложные методы кибератак. Некоторые из этих приемов незначительны и незаметны по своей природе и часто маскируются за фасадом подлинных запросов и команд. Чтобы бороться с этой угрозой, особенно после инцидента, связанного с безопасностью, Специалисты по кибербезопасности, а также судебные следователи всегда вынуждены анализировать большие и сложные пулы данных, также известные как большие данные, в попытке выявить потенциальные цифровые доказательства (PDE), которые можно использовать для поддержки судебных разбирательств. Собранные PDE затем могут быть использованы, чтобы помочь исследователям прийти к определенным выводам и / или решениям. В случае кибер-криминалистики процесс даже усложняется для следователей тем фактом, что большие данные часто поступают из нескольких источников и имеют разные форматы файлов. У судебных следователей часто меньше времени и средств, чтобы справиться с возросшими требованиями, когда дело доходит до анализа таких больших объемов сложных данных для судебно-медицинских целей. Именно по этой причине авторы этой статьи осознали, что глубокое обучение (DL), которое является подмножеством искусственного интеллекта (AI), имеет очень разные варианты использования в области киберпреступности, и даже если многие люди могут возразить, что это не беспрецедентное решение, оно может помочь улучшить борьбу с киберпреступностью. Таким образом, в этом документе предлагается общая структура для разделения методов когнитивных вычислений DL в Cyber Forensics (CF), далее именуемую DLCF Framework. DL использует некоторые методы машинного обучения для решения проблем с помощью нейронных сетей, имитирующих процесс принятия решений человеком. Основываясь на этих основаниях, DL может радикально изменить сферу CF различными способами, а также предоставить решения для судебных следователей. Такие решения могут варьироваться от снижения предвзятости в судебно-медицинских расследованиях до оспаривания того, какие доказательства считаются допустимыми в суде или любом гражданском слушании, и многое другое.