Оцінювання рівня та пріоритизації багатопараметричних загроз із використанням алгоритму нечіткої логіки Мамдані першого типу
DOI:
https://doi.org/10.30837/0135-1710.2025.187.220Ключові слова:
модель, нечітка логіка, функція належності, оцінка рівня загроз, визначення пріоритетів загроз, підтримка прийняття рішень, невизначеність, лінгвістичні змінні, нечіткий висновокАнотація
Предметом дослідження є модель оцінювання загроз і визначення їх пріоритетів на основі методів нечіткої логіки. Для побудови моделі використано алгоритм Мамдані першого типу. Розроблену модель оцінювання загроз протестовано на статичному сценарії, а також на динамічних сценаріях атак у реальному часі. Поставлене питання розв’язано із застосуванням методів нечіткої логіки. Для моделювання системи використано Fuzzy Logic Toolbox (розширення MATLAB), що містить інструменти для проєктування систем на основі нечіткої логіки. Блок-схеми статичної та динамічної нечіткої моделі оцінювання загроз подано в застосунку Simulink. Мета дослідження – розроблення й аналіз нечіткої моделі оцінювання загроз і визначення їх пріоритетів для прийняття рішення щодо послідовності заходів з протидії цим загрозам. Завдання роботи передбачають обґрунтування доцільності та ефективності застосування нечітких логічних виразів і операцій нечіткої логіки для формалізованого опису експертних вимог до визначення пріоритетів загроз. Методи нечіткої логіки широко впроваджуються в різноманітних системах управління, зокрема в таких сферах: управління нелінійними процесами, системи із самонавчанням, аналіз ризикових і критичних ситуацій, розпізнавання образів; фінансовий аналіз, дослідження інформації із корпоративних сховищ, оптимізація стратегій управління та координації дій. Методи, використані в дослідженні: теорія ймовірності, теорія нечіткої логіки, моделювання. Досягнуті результати. Розглянуто можливість застосування нечітких логічних виразів і операцій нечіткої логіки для формалізованого опису експертних критеріїв щодо визначення пріоритетності загроз. Такий підхід забезпечує отримання числових оцінок загроз на основі заданих параметрів, що сприяє точності та гнучкості в процесі їх аналізу. Обґрунтовано можливість застосування нечітких логічних виразів і операцій нечіткої логіки для формалізованого опису експертних вимог до визначення пріоритетів загроз. Це дає змогу отримати числові оцінки загроз на основі заданих вхідних параметрів, забезпечуючи точність і адаптивність у процесі аналізу. У статті запропоновано алгоритм рейтингової оцінки загроз за шкалою від 0 до 1 за допомогою системи нечіткої логіки, що сприяє точним результатам. Висновки. Розроблена процедура пріоритизації загроз, побудована на моделі нечітких множин, значно розширює функціональні можливості й дає змогу визначати рівні загроз. Це зі свого боку створює підґрунтя для ухвалення ефективних рішень щодо впровадження заходів із протидії цим загрозам і є основним результатом дослідження.
Посилання
Zadeh, L. A. (2015), "Fuzzy logic – a personal perspective", Fuzzy Sets and Systems. Vol. 281. DOI: https://doi.org/10.1016/j.fss.2015.05.009.
Mamdani, E.H., Assilian, S. (1975), "An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller", International Journal of Man-Machine Studies. Vol. 7, No. 1, P. 1-13. DOI: https://doi.org/10.1016/S0020-7373(75)80002-2.
Chen G., Trung T. (2000), "Introduction to fuzzy sets", fuzzy logic, and fuzzy control systems, Boca Raton, London, New York, No. 1, P. 316. DOI: https://doi.org/10.1201/9781420039818.
Espinosa, J., Vandewalle, J., Wertz, V. (2005), "Fuzzy Logic, Identification and Predictive Control", Vincent Wertz. – USA: Springer-Verlag London Limited, P. 263. DOI: https://doi.org/10.1007/b138626.
Volkov, A., Bazilo, S., Tokar, O., Horbachov, K., Lutsyshyn, A., Zaitsev, I., Iasechko, M. (2022), "Automated assessment of the air situation during the preparation and conduct of combat operations using a decision support system based on fuzzy networks of target installations", International Journal of Computer, Vol. 22, No. 11, P. 184–188. DOI: https://doi.org/10.22937/IJCSNS.2022.22.11.26.
Volkov, A., Stadnichenko, V., Yaroshchuk, V., Halkin, Y., Tokar, O. (2024), "Proposals for the implementation of a decision support system for air defence fire control based on fuzzy networks of targets", Systemy Logistyczne Wojsk, No. 61, P. 211-228. DOI: https://doi.org/10.37055/slw/203558.
Azimirada, E., Haddadniab, J. (2015), "Target threat assessment using fuzzy sets theory", International Journal of Advances in Intelligent Informatics, Vol 1, No. 2, P. 57–74. DOI: https://doi.org/10.26555/ijain.v1i2.18.
Coskun, M., Tasdemir, S. (2022), "Fuzzy logic-based threat assessment application in air defense systems", IEEE Transactions on Aerospace and Electronic Systems, No. 59 (3), P. 2245–2251. DOI: https://doi.org/10.1109/TAES.2022.3212032.
Murasov, R., Nikitin, A., Meshcheriakov, I. (2024), "Mathematical model of risk assessment of the operation of critical infrastructure objects based on the theory of fuzzy logic", Social Development and Security, No. 14 (5), P. 166-174. DOI: https://doi.org/10.33445/sds.2024.14.5.17.
Хавіна, І.П., Цуранов, М.В. (2023), "Дослідження механізму нечіткої логіки для оцінки інформаційних ризиків підприємства", Modern research in science and education: The 4th International scientific and practical conference (Chicago, USA, December 7-9, 2023), P. 329–335. DOI: https://dspace.univd.edu.ua/handle/123456789/19547.
Кочетков, О.В., Гаур, Т.O., Машін, В.М. (2019), "Система оцінки ризиків інформаційної безпеки підприємства на основі нечіткої логіки", Наукові праці ОНАЗ ім. О. С. Попова, № 1, С. 97–104. http://nbuv.gov.ua/UJRN/Nponaz_2019_1_14.
Amini, A., Jamil, N., Ahmad, A.R., Sulaiman, H. (2017), "A Fuzzy Logic Based Risk Assessment Approach for Evaluating and Prioritizing Risks in Cloud Computing Environment", Recent Trends in Information and Communication Technology Lecture Notes on Data Engineering and Communications Technologies, P. 650-659. DOI: https://doi.org/10.1007/978-3-319-59427-9_67.
Tuncer, O., Cirpan, H.A. (2023), "Adaptive fuzzy based threat evaluation method for air and missile defense systems", Information Sciences, Vol. 643, P. 119-191. DOI: https://doi.org/10.1016/j.ins.2023.119191.
Bhattacharyya R., Mukherjee S. (2021), "Fuzzy Membership Function Evaluation by Non-Linear Regression", An Algorithmic Approach, Fuzzy Information and Engineering, No. 4, P. 412-434. DOI: https://doi.org/10.1080/16168658.2021.1911567
Kecman V. (2001), "Learning and Soft Computing", Support Vector Machines, Neural Networks, and Fuzzy Logic Models, Massachusetts Institute of Technology Press, Cambridge, MA, P. 578. DOI: https://doi.org/10.1016/S0925-2312(01)00685-3.
Ross T. J. (2004), "Fuzzy Logic with Engineering Applications", P. 628. DOI: https://doi.org/10.1002/9781119994374.
Шубін, І.Ю., Ашурова, О. (2020), "Нечіткі множини та нечітка логіка як інструмент формалізації вимог", Інформаційні системи та технології: матеріали 9-ї Міжнар. наук.-техн. конф., 17-20 листопада 2020 р. Харків: Друкарня Мадрид, С. 64–68. DOI: https://openarchive.nure.ua/handle/document/16161.
Yun, J., Hong, S.-S., Han, M.-M. (2012), "A dynamic neuro fuzzy knowledge-based system in threat evaluation", 13th International Symposium on Advanced Intelligent Systems (ISIS), P. 1601–1605. DOI: https://doi.org/10.1109/SCIS-ISIS.2012.6505178.
Mamdani E.H. (1974), "Application of fuzzy algorithms for the control of a simple dynamic plant", In Proc IEEE, P. 121-159. DOI: https://doi.org/10.1049/piee.1974.0328.
Fuzzy Inference Process https://www.mathworks.com/help/fuzzy/fuzzy-inference-process.html.
Петренко О.С., Петренко О.Є., Бідун А.К. (2025), "Виявлення загроз з застосуванням мережі Байєса", Системи озброєння і військова техніка, № 3 (83), C. 129–134. DOI: https://doi.org/10.30748/soivt.2025.83.15.
Kozhukhivskyi A., Kozhukhivska O. (2022), "RISK ASSESSMENT MODELING OF ERP-SYSTEMS", Radio Electronics, Computer Science, Control. No. 4, P. 149-161. DOI: https://doi.org/10.15588/1607-3274-2022-4-12.
UA 
EN 
