Секцiя 4. Математичнi методи кiбернетичної безпеки
Постійне посилання зібрання
Переглянути
Перегляд Секцiя 4. Математичнi методи кiбернетичної безпеки за Автор "Барановський, О. М."
Зараз показуємо 1 - 3 з 3
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Iнтеграцiя блокчейн-технологiй у процес зберiгання доказiв в комп’ютернiй кримiналiстицi(КПІ ім. Ігоря Сікорського, 2024) Вєрнікова, Л. Г.; Барановський, О. М.В епоху настання цифрової ери стає вкрай важливим своєчасно інтегрувати новітні технології у різноманітні процеси людської діяльності. Наразі ми спостерігаємо, як швидко традиційні системи захисту інформації стають все менш ефективними і потребують удосконалення. Ця стаття описує модель системи збереження цифрових доказів з використанням блокчейн-технологій, що підвищить рівень безпеки таких важливих матеріалів, як судові докази.Документ Відкритий доступ Використання алгоритмiв машинного навчання у комп’ютерному кримiналiстичному сортуваннi для класифiкацiї цифрових файлiв на основi їх вiдповiдностi розслiдуванню(КПІ ім. Ігоря Сікорського, 2024) Лета, Я. В.; Барановський, О. М.У ході стрімкого зростання цифрових доказів у комп’ютерній криміналістиці, ефективна обробка та аналіз цих даних стає все більш нагальною задачею. Використання сучасних підходів з використання алгоритмів машинного навчання може значно полегшити процес класифікації цифрових файлів та визначення їх пріоритетності для подальшого розслідування. Шляхом аналізу метаданих файлів за допомогою алгоритмів машинного навчання можна досягти автоматичного визначення важливості кожного файлу у контексті конкретного розслідування. Це дозволяє значно збільшити швидкість та ефективність аналізу великих обсягів цифрових доказів, сприяючи правоохоронним органам у більш ефективному розкритті злочинів та протидії кіберзлочинності.Документ Відкритий доступ Виявлення фiшингових листiв за допомогою машинного навчання та аналiзу IOC(КПІ ім. Ігоря Сікорського, 2024) Єсаф’єв, Є. О.; Барановський, О. М.У сучасному світі, де електронна пошта є одним з основних каналів комунікації, фішинг становить серйозну загрозу для кібербезпеки як індивідуальних користувачів, так і організацій. Традиційні методи виявлення фішингу часто виявляються неефективними перед складністю та еволюцією фішингових атак. Ця робота пропонує новий підхід до виявлення фішингових листів, який інтегрує методи машинного навчання з аналізом індикаторів компрометації (IoC), що має потенціал покращити здатність системи розпізнавати фішингові спроби.