Модель процесса удаленного анализа защищенности информационных систем и методы повышения его результативности
Ключевые слова:
анализ защищенности, тестирование на проникновение, компьютерная атака, марковские процессы, принятие решений, частичная наблюдаемостьАннотация
Рассмотрены подходы к проведению анализа защищенности информационных систем. Предложена модель процесса анализа защищенности информационных систем на основе теории принятия решений. Рассмотрены существующие методы решения проблемы марковских процессов принятия решений в условиях частично наблюдаемой среды.Литература
1. Кравчук А.В., Еремеев М.А. Анализ методов распознавания вредоносных программ // Вопросы защиты информации». 2014. №3. С. 44–51.
2. Кравчук А.В., Еремеев М.А., Потерпеев Г.Ю. Модель и методы дистанционного контроля мобильных персональных устройств // Материалы 22-й НТК «Методы и технические средства обеспечения безопасности информации». СПб. 2013. С. 24–26.
3. Кравчук А.В., Еремеев М.А. Подход к моделированию компьютерных атак // Материалы 23-й НТК «Методы и технические средства обеспечения безопасности информации». СПб. 2014. С. 69–71.
4. Калинин В.Н., Резников Б.А., Варакин Е.И. Теория систем и оптимального управления. В 2 ч. Ч.1. Основные понятия, математические модели и методы анализа систем // Л.:ВИКИ имени А.Ф. Можайского. 1979. 319 с.
5. Макаров И.М., Виноградская Т.М., Рубчинский А.А. Теория выбора и принятия решений: Учебное пособие // М.: Наука. 1982. 328 с.
6. Astrom K.J. Optimal control of Markov processes with incomplete state information // Journal of mathematical analysis and applications. 1965. № 10. pp. 174-205.
7. Стратонович Р. Л. Условные марковские процессы и их применение к теории оптимального управления // М.: Изд-во МГУ. 1966. 319 с.
8. Jazwinski A.H. Stochastic processes and filtering theory // New York: Academic Press. 1970. 391 p.
9. Ross S., Pineau J. Online Planning Algorithms for POMDPs // Journal of Artificial Intelligence Research. 2008. №32. pp. 663–704.
10. Hauskrecht M. Value-function approximations for partially observable Markov decision processes // Journal of Artificial Intelligence Research. 2000. №13. pp. 33–94.
11. Pineau J., Gordon G., Thrun S. Point-based value iteration: an anytime algorithm for POMDPs // Proceedings of the International joint conference on artificial intelligence (IJCAI-03). 2003. pp. 1025–1032.
12. Braziunas D., Boutilier C. Stochastic local search for POMDP controllers // Proceedings of the 19-th National conference on artificial intelligence (AAAI-04). 2004. pp. 690–696.
13. Smith T., Simmons R. Point-based POMDP algorithms: improved analysis and implementation // Proceedings of the 21th conference on uncertainty in artificial intelligence (UAI-05). 2005. pp. 542–547.
14. Satia J.K., Lave R.E. Markovian decision processes with probabilistic observation of states // Management Science. 1973. vol. 20(1). pp. 1–13.
15. Barto A.G., Bradtke S.J., Singhe S.P. Learning to act using real-time dynamic programming // Artificial Intelligence. 1995. №72 (1). pp. 81–138.
16. Washington R. BI-POMDP: bounded, incremental partially observable Markov model planning. // Proceedings of the 4th European conference on planning. 1997. pp. 440–451.
17. McAllester D., Singh S. Approximate planning for factored POMDPs using belief state simplification // Proceedings of the 15th annual conference on uncertainty in artificial intelligence (UAI-99). 1999. pp. 409–416.
18. Shani G., Brafman R., Shimony S. Adaptation for changing stochastic environments through online POMDP policy learning // Proceedings of the workshop on reinforcement learning in non-stationary environments, ECML. 2005. pp. 61–70.
19. Koenig S. Agent-centered search // AI Magazine. 2001. vol. 22(4). pp. 109–131.
20. Approximate POMDP planning software. URL: http://bigbird.comp.nus.edu.sg/pmwiki/farm/appl/ (дата обращения 18.01.2015).
21. Lusena C., Goldsmith J., Mundhenk M. Nonapproximability results for partially observable Markov decision processes // Journal of artificial intelligence research. 2001. vol. 14. pp. 83–103.
2. Кравчук А.В., Еремеев М.А., Потерпеев Г.Ю. Модель и методы дистанционного контроля мобильных персональных устройств // Материалы 22-й НТК «Методы и технические средства обеспечения безопасности информации». СПб. 2013. С. 24–26.
3. Кравчук А.В., Еремеев М.А. Подход к моделированию компьютерных атак // Материалы 23-й НТК «Методы и технические средства обеспечения безопасности информации». СПб. 2014. С. 69–71.
4. Калинин В.Н., Резников Б.А., Варакин Е.И. Теория систем и оптимального управления. В 2 ч. Ч.1. Основные понятия, математические модели и методы анализа систем // Л.:ВИКИ имени А.Ф. Можайского. 1979. 319 с.
5. Макаров И.М., Виноградская Т.М., Рубчинский А.А. Теория выбора и принятия решений: Учебное пособие // М.: Наука. 1982. 328 с.
6. Astrom K.J. Optimal control of Markov processes with incomplete state information // Journal of mathematical analysis and applications. 1965. № 10. pp. 174-205.
7. Стратонович Р. Л. Условные марковские процессы и их применение к теории оптимального управления // М.: Изд-во МГУ. 1966. 319 с.
8. Jazwinski A.H. Stochastic processes and filtering theory // New York: Academic Press. 1970. 391 p.
9. Ross S., Pineau J. Online Planning Algorithms for POMDPs // Journal of Artificial Intelligence Research. 2008. №32. pp. 663–704.
10. Hauskrecht M. Value-function approximations for partially observable Markov decision processes // Journal of Artificial Intelligence Research. 2000. №13. pp. 33–94.
11. Pineau J., Gordon G., Thrun S. Point-based value iteration: an anytime algorithm for POMDPs // Proceedings of the International joint conference on artificial intelligence (IJCAI-03). 2003. pp. 1025–1032.
12. Braziunas D., Boutilier C. Stochastic local search for POMDP controllers // Proceedings of the 19-th National conference on artificial intelligence (AAAI-04). 2004. pp. 690–696.
13. Smith T., Simmons R. Point-based POMDP algorithms: improved analysis and implementation // Proceedings of the 21th conference on uncertainty in artificial intelligence (UAI-05). 2005. pp. 542–547.
14. Satia J.K., Lave R.E. Markovian decision processes with probabilistic observation of states // Management Science. 1973. vol. 20(1). pp. 1–13.
15. Barto A.G., Bradtke S.J., Singhe S.P. Learning to act using real-time dynamic programming // Artificial Intelligence. 1995. №72 (1). pp. 81–138.
16. Washington R. BI-POMDP: bounded, incremental partially observable Markov model planning. // Proceedings of the 4th European conference on planning. 1997. pp. 440–451.
17. McAllester D., Singh S. Approximate planning for factored POMDPs using belief state simplification // Proceedings of the 15th annual conference on uncertainty in artificial intelligence (UAI-99). 1999. pp. 409–416.
18. Shani G., Brafman R., Shimony S. Adaptation for changing stochastic environments through online POMDP policy learning // Proceedings of the workshop on reinforcement learning in non-stationary environments, ECML. 2005. pp. 61–70.
19. Koenig S. Agent-centered search // AI Magazine. 2001. vol. 22(4). pp. 109–131.
20. Approximate POMDP planning software. URL: http://bigbird.comp.nus.edu.sg/pmwiki/farm/appl/ (дата обращения 18.01.2015).
21. Lusena C., Goldsmith J., Mundhenk M. Nonapproximability results for partially observable Markov decision processes // Journal of artificial intelligence research. 2001. vol. 14. pp. 83–103.
The Model of Process of Remote Security Analysis of Information Systems and Methods of Improving it’s Performance
Abstract
This article considers approaches to information systems remote security analysis. The model of process of remote security analysis of information systems using decision making theory is proposed. Existing methods to solve partially observable Markov decision processes problem are reviewed.
Опубликован
2015-03-10
Как цитировать
Кравчук, А. В. (2015). Модель процесса удаленного анализа защищенности информационных систем и методы повышения его результативности. Труды СПИИРАН, 1(38), 75-93. https://doi.org/10.15622/sp.38.5
Раздел
Статьи
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
