Социоинженерные атаки как основополагающий фактор киберугроз

Введение

«Человеческий» фактор становится наиболее уязвимым звеном во взаимосвязанной системе кибербезопасности [3; 9]. Кибербезопасность охватывает целый спектр угроз, при этом социальная инженерия (СИ) считается одним из методов использования уязвимостей в системе безопасности, ориентированных на человека. Завоевание доверия играет ключевую роль в успехе атаки с использованием методов социальной инженерии, поскольку основная цель социального инженера, независимо от выбранного подхода, — убедить человека доверить ему конфиденциальные данные.

Многие достижения в области кибербезопасности связаны с персонализацией мер защиты. Необходимость проведения этого библиометрического обзора обусловлена растущей разобщенностью между техническими инновациями в области кибербезопасности и их социально-управленческими последствиями. Несмотря на то, что в этой сфере наблюдается всплеск технических исследований (научно-исследовательских и опытно-конструкторских работ), критически не хватает комплексного анализа, который бы одновременно учитывал правовые, экономические и поведенческие изменения (социально-научно-исследовательские и опытно-конструкторские работы), вызванные внедрением этих технологий [1, с. 24]. Кроме того, стремительное развитие искусственного интеллекта (ИИ) и его двойственная роль в сфере кибербезопасности с 2018 года требуют систематического анализа, чтобы понять, как автоматизированные защитные механизмы меняют глобальные исследовательские приоритеты. Авторы одного из исследований представили исчерпывающее обоснование для разработки «социально-технических» концепций защиты, предложив гибридный алгоритм под названием Advanced Artificial Intelligence based Cyber Attack Detection (AAI–CAD). Этот алгоритм построен на основе глубокого автоэнкодера и интеграции извлечения признаков, Объединяет методы извлечения признаков с возможностями глубокого обучения (автоэнкодер) и нацелен на обработку данных с устройств IoT (обнаружения кибератак в сетях интернета) для выявления атак с минимальной задержкой [2].

Интеграция искусственного интеллекта в сферу кибербезопасности все еще форми рующаяся и быстро развивающаяся область . Относительно равномерное распределение публикаций среди ведущих авторов говорит о том , что пока не сформировался какой - то один доминирующий авторитет , что откры вает значительные возможности для новых исследователей и различных организаций .

Описание исследования

Искусственный интеллект стал главным катализатором развития современной кибербезопасности. С 2018 года такие ключевые слова, как «искусственный интеллект», «машинное обучение» и «глубокое обучение», не только стали использоваться чаще, но и изменили фокус исследований. Этот всплеск интереса был вызван появ- лением больших массивов данных в сфере кибербезопасности и развитием фреймворков глубокого обучения, что ознаменовало переход от пассивного мониторинга к проактивному автоматизированному поиску угроз. Эти темы, связанные с искусственным интеллектом, сегодня служат важнейшими связующими звеньями между технической инфраструктурой (например, безопасность интернета вещей) и социально-правовым анализом (например, компьютерная преступность). Таким образом, результаты исследования показывают, что кибербезопасность превратилась из чисто технической дисциплины в сложную междисциплинарную экосистему, где технические инновации должны быть сбалансированы с учетом человеческого фактора и политических установок.

Центральной социально - технологиче ской проблемой исследований в области информационной безопасности является двойственность при проектировании за щищенных информационных систем . Под двойственностью понимается конфликт между функциональностью и безопасностью информационных систем . Поиск идеально го баланса между двумя противоречивы ми аспектами часто приводит к тому , что функциональность информационных систем ставится во главу угла , а вопросы безопас ности рассматриваются уже после внедре ния информационных систем . Проблема ду альности также может объяснить , почему пользователи могут сопротивляться мерам безопасности , внедряемым после разработки системы . В недавнем исследовании проблема дуальности по - прежнему рассматривается как серьёзный недостаток при разработке безопасных информационных систем .

Еще одно направление исследований связано с поведением людей в вопросах безопасности. Основные исследовательские вопросы касаются мотивации людей к принятию передовых мер защиты, таких как использование надежных паролей, а также изучения факторов, провоцирующих несоблюдение требований безопасности. Во многих исследованиях изучалось соблюдение сотрудниками политики информационной безопасности, рассматривались различные поведенческие факторы и их влияние. Такие факторы, как поощрения, наказания и угрозы, оказывают относительно слабое влияние на соблюдение требований. В более поздних исследованиях, таких как работа Cram W., Arcy J., Benlian A. (2024)[8], критикуется номотетический подход в поведенческих исследованиях. Зависимость от данных разовых опросов дает ограниченное представление о том, как меняется индивидуальное поведение с течением времени. Они призывают к более идио-графическим исследовательским подходам для подтверждения существующих теорий путем изучения того, как индивидуальное поведение согласуется с теоретическими предсказаниями с течением времени.

Еще одно направление исследований связано с влиянием кибератак на поведение человека. Фишинговые атаки особенно часто упоминаются в исследованиях IS и хорошо подходят как для экспериментальных, так и для полевых исследований. В публикациях предпринимаются попытки объяснить, почему люди попадаются на фишинговые уловки, с помощью различных моделей, таких как когнитивная оценка или контекстуальная теория. С этим тесно связаны исследования, посвященные осведомленности о вопросах безопасности и, как следствие, повышению уязвимости к фишингу [7]. В других публикациях рассматриваются исследования в области дизайн-науки, направленные на создание атрибутов, повышающих уязвимость к фишингу разработали дизайн-артефакт для прогнозирования восприимчивости пользователей к фишинговым сайтам. Сотрудники, использующие этот артефакт дизайна, значительно реже реагировали на фишинговые угрозы, чем сотрудники из контрольных групп, что привело к существенной экономии средств компании. В исследованиях ISS часто не учитываются сложные атаки, а также механизмы их обнаружения и защиты с помощью передовых средств защиты от угроз [10]. Вероятно, это связано с тем, что моделирование таких сложных атак в лабораторных условиях довольно затруднительно, а найти подходящих испытуемых, например экспертов по безопасности, для изучения поведенческих факторов бывает непросто.

Заключение

С 2017 года проводятся дополнительные исследования с точки зрения злоумышлен ников . Этот сдвиг обусловлен растущим пониманием того , что кибератаки и утечки данных не являются случайными . В ходе ис следований используется методология ди - зайн - науки для упреждающего выявления угроз путем анализа даркнета , хакерских форумов и торговых площадок [6]. Вместо того чтобы сосредотачиваться на прошлых событиях ( например , анализе лог - файлов ), исследователи пытаются предвосхитить эксплойты , проникая на хакерские фору мы и торговые площадки в даркнете и яс - номнете и наблюдая за их работой , чтобы выявлять атаки на ранних этапах [5]. Зло умышленники также могут использовать новые технологии , например большие язы ковые модели , чтобы еще больше затруд нить обнаружение фишинговых атак . Еще в 2010 году в редакционной статье журнала

MISQ, авторы Mahmood M. A., Siponen M., Straub D., Rao H. R., Raghu T. S., прозвучал призыв к изучению мотивов и методов зло умышленников («bad guys») [10]. Несмотря на прошедшее время , литературы на эту тему по - прежнему мало . Более глубокое понимание поведения злоумышленников и того , как они используют новые техноло гии , могло бы повысить эффективность пре вентивных мер безопасности .

С методологической точки зрения мы со гласны с аргументами ученых о необходимо сти проведения большего количества эмпи рических исследований , особенно в области разработки новых методов науки о данных и машинного обучения ( МО ). Такой подход может улучшить процесс создания и проек тирования систем для обнаружения угроз , атак и инцидентов . Кроме того , эмпириче ские данные , полученные не только в лабо раторных условиях , крайне важны для по нимания рисков и уязвимостей , связанных с поведением человека . Учитывая текущую ситуацию с угрозами , мы считаем , что ор ганизациям следует быть более открытыми к сотрудничеству в области исследований .