ПРИМЕНЕНИЕ ТЕОРИИ ИГР И НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА ВЗАИМОДЕЙСТВИЯ УЧАСТНИКОВ ФИШИНГОВЫХ АТАК
DOI:
https://doi.org/10.52167/1609-1817-2025-139-4-381-390Ключевые слова:
информационная безопасность, фишинг, криптовалюта, игровая модель, искусственная нейронная сетьАннотация
Рассмотрена динамическая модель противостояния фишинговым атакам. В качестве примера жертвы фишинга рассмотрены криптовалютные биржи и/или их клиенты. Модель, в отличие от аналогичных, описывающих данную проблему, построена исходя из предположения, что динамика состояний игрока-жертвы фишинговых атак и игрока-злоумышленника (фишера) задается посредством системы дифференциальных уравнений. А их решение дает возможность сформировать платежные матрицы, которые выступают частью обучающего набора для искусственных нейронных сетей. Подобная коллаборация моделей, позволит достаточно точно выстраивать стратегию противодействия фишингу, минимизируя затраты как потенциальной жертвы фишинговых атак, так и стороны защиты при построении безопасной системы общения с клиентами криптовалютных бирж. Нейро-игровой подход дает возможность прогнозировать процесс противодействия фишингу в контексте затратности для обеих сторон, применяющих разные стратегии.
Библиографические ссылки
[1] Routhu Srinivasa Rao & Alwyn Roshan PaisNeural «Detection of phishing websites using an ef-ficient feature-based machine learning framework», 2019, Computing and Applications vol. 31, p. 3851–3873,
[2] B. B. Gupta, Nalin A. G. Arachchilage & Kostas E. Psannis «Defending against phishing attacks: taxonomy of methods, current issues and future directions», 2018, Telecommunication Systems, vol. 67, p. 247–267.
[3] Хакеры похитили с крупнейшей биржи криптовалют на более 40 миллионов долларов. Аvailable at: https://www.epravda.com.ua/rus/news/2019/05/8/647630/ (accessed 24.04.2023).
[4] Martin, Anutthamaa, et al. "A framework for predicting phishing websites using neural networks." arXiv preprint arXiv:1109.1074 (2011).
[5] Mohammad, R. M., Thabtah, F., & McCluskey, L. (2014). Predicting phishing websites based on self-structuring neural network. Neural Computing and Applications, 25, 443-458.
[6] Feng, F., Zhou, Q., Shen, Z., Yang, X., Han, L., & Wang, J. (2018). The application of a novel neural network in the detection of phishing websites. Journal of Ambient Intelligence and Humanized Computing, 1-15.
[7] Wei, W., Ke, Q., Nowak, J., Korytkowski, M., Scherer, R., & Woźniak, M. (2020). Accurate and fast URL phishing detector: a convolutional neural network approach. Computer Networks, 178, 107275.
[8] Bahnsen, A. C., Bohorquez, E. C., Villegas, S., Vargas, J., & González, F. A. (2017, April). Classifying phishing URLs using recurrent neural networks. In 2017 APWG symposium on electronic crime research (eCrime) (pp. 1-8). IEEE.
[9] Ali, W., & Ahmed, A. A. (2019). Hybrid intelligent phishing website prediction using deep neural networks with genetic algorithm‐based feature selection and weighting. IET Information Security, 13(6), 659-669.
[10] Tchakounte, F., Nyassi, V. S., Danga, D. E. H., Udagepola, K. P., & Atemkeng, M. (2021). A game theoretical model for anticipating email spear-phishing strategies. EAI Endorsed Transactions on Scalable Information Systems, 8(30), e5-e5.
[11] Figueroa, N., L’Huillier, G., & Weber, R. (2017). Adversarial classification using signaling games with an application to phishing detection. Data mining and knowledge discovery, 31, 92-133.
[12] Sharma, P., Dash, B., & Ansari, M. F. (2022). Anti-phishing techniques–a review of Cyber Defense Mechanisms. IJARCCE, 11(7), 153-160.
[13] Jansen, J., & van Schaik, P. (2019). The design and evaluation of a theory-based intervention to promote security behaviour against phishing. International Journal of Human-Computer Studies, 123, 40-55.
[14] Tchakounte, F., Nyassi, V. S., Danga, D. E. H., Udagepola, K. P., & Atemkeng, M. (2021). A game theoretical model for anticipating email spear-phishing strategies. EAI Endorsed Transactions on Scalable Information Systems, 8(30), e5-e5.
[15] Khan, H., Alam, M., Al-Kuwari, S., & Faheem, Y. (2021, June). Offensive ai: unification of email generation through GPT-2 model with a game-theoretic approach for spear-phishing attacks. In Competitive Advantage in the Digital Economy (CADE 2021) (Vol. 2021, pp. 178-184). IET.
[16] Lakhno, V., Malyukov, V., Mazur, N., Kuzmenko, L., Akhmetov, B., Hrebeniuk, V. Development of a model for decision support systems to control the process of investing in information technologies, (2020) Eastern-European Journal of Enterprise Technologies, 1 (3), pp. 74-81.
[17] Eint Sandi Aung, Chaw Thet Zan, Hayato Yamana A Survey of URL-based Phishing Detection // Department of Computer Science and Communication Engineering, Graduate School of Fundamental Science and Engineering, Waseda University, Tokyo, 159-8555, 2019.
[18] Lakhno, V., Malyukov, V., Parkhuts, L., Buriachok, V., Satzhanov, B., Tabylov, A. Funding model for port information system cyber security facilities with incomplete Hacker information available (2018) Journal of Theoretical and Applied Information Technology, 96 (13), pp. 4215-4225.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Valery Lakhno, Volodimir Malyukov, Inna Malyukova, Аткелди Оган, Жулдыз Алимсеитова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
