ПРИМЕНЕНИЕ ЭФФЕКТИВНЫХ ПОДХОДОВ К ИССЛЕДОВАНИЮ ЦИФРОВЫХ ДАННЫХ
DOI:
https://doi.org/10.52167/1609-1817-2025-137-2-185-194Ключевые слова:
анализ, восстановление, пользователь, активность, метаданные, автоматизация, алгоритмАннотация
В современном мире цифровые данные играют решающую роль, а их анализ становится ключевым инструментом для восстановления информации и изучения событий, зафиксированных в цифровой среде. Настоящее исследование посвящено разработке и применению методов анализа цифровых артефактов, включая удаленные файлы, системные журналы, историю браузера и метаданные документов. Эти данные позволяют реконструировать последовательность действий пользователя, выявлять потенциальные уязвимости и оценивать риски. Методология работы включает этапы создания и анализа дисковых образов, восстановления данных, их структурированной интерпретации и оценки надежности. В результате удалось успешно выявить важные артефакты, подтверждающие эффективность предложенных подходов. Особое внимание уделяется перспективам применения интеллектуальных алгоритмов, таких как машинное обучение, для автоматизации анализа и повышения его точности. Представленные в исследовании методы и результаты имеют высокую практическую значимость и могут быть использованы для решения широкого спектра задач, связанных с обработкой и изучением цифровой информации, а также служить основой для дальнейших научных разработок в этой области.
Библиографические ссылки
[1] Sobaih, A. E. E., & Elshaer, I. A. (2022). Personal traits and digital entrepreneurship: a mediation model using SmartPLS data analysis. Mathematics, 10(21), 3926. https://doi.org/10.3390/math10213926
[2] Zhang, D., Pee, L. G., Pan, S. L., & Cui, L. (2022). Big data analytics, resource orchestration, and digital sustainability: A case study of smart city development. Government information quarterly, 39(1), 101626. https://doi.org/10.1016/j.giq.2021.101626
[3] El Khatib, M., Hamidi, S., Al Ameeri, I., Al Zaabi, H., & Al Marqab, R. (2022). Digital Disruption and Big Data in Healthcare - Opportunities and Challenges. ClinicoEconomics and Outcomes Research, 14, 563–574. https://doi.org/10.2147/CEOR.S369553
[4] Li, X., Liu, H., Wang, W., Zheng, Y., Lv, H., & Lv, Z. (2022). Big data analysis of the internet of things in the digital twins of smart city based on deep learning. Future Generation Computer Systems, 128, 167-177. https://doi.org/10.1016/j.future.2021.10.006
[5] Kansa, E., & Kansa, S. W. (2021). Digital Data and Data Literacy in Archaeology Now and in the New Decade. Advances in Archaeological Practice, 9(1), 81–85. https://doi:10.1017/aap.2020.55
[6] Kumar, M., Shenbagaraman, V. M., Shaw, R. N., & Ghosh, A. (2021). Digital transformation in smart manufacturing with industrial robot through predictive data analysis. Machine Learning for Robotics Applications, 85-105.
[7] Correia, R. A., Ladle, R., Jarić, I., Malhado, A. C., Mittermeier, J. C., Roll, U., ... & Di Minin, E. (2021). Digital data sources and methods for conservation culturomics. Conservation Biology, 35(2), 398-411. https://doi.org/10.1111/cobi.13706
[8] Wang, W., Gao, P., & Wang, J. (2023). Nexus among digital inclusive finance and carbon neutrality: Evidence from company-level panel data analysis. Resources Policy, 80, 103201. https://doi.org/10.1016/j.resourpol.2022.10320
[9] Zhumagalieva, A., Shekerbek, A., Khamitova, Z., M. Svoboda, & Kaldar, S. (2024). Enhancing cybersecurity with adaptive anomaly detection systems through machine learning. News of the National Academy of Sciences of the Republic of Kazakhstan. Physico-mathematical Series, (2), 177-189. https://doi.org/10.32014/2024.2518-1726.275
[10] Mektepbaeva, A., Medarov, A., & Kulmuratova, A. (2024, May). Analysis of Penetration Testing Methods for Specific IoT Device: IP Camera. In 2024 IEEE 4th International Conference on Smart Information Systems and Technologies (SIST) (pp. 76-82). IEEE. DOI:10.1109/SIST61555.2024.10629431
[11] Mektepayeva A., Sakipov , A., Rystygulova, V., Kaibasova, D., & Belgibayeva, L. (2024). Optimization of machine learning using quantum enhancements for dynamic real-time systems. Bulletin of KazATK, 135(6), 243-254. https://doi.org/10.52167/1609-1817-2024-135-6-243-254
[12] Sakhipov, A., Mektebayeva, A., Rystigulova, V., Abildina, A., & Omarzhanova, G. (2024). Machine learning strategies and algorithms for improving real-time data processing in dynamic and big data systems. Bulletin of KazATK, 134(5), 278-291. https://doi.org/10.52167/1609-1817-2024-134-5-278-291
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Айнур Джумагалиева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
