Подход к оцениванию и прогнозированию уровня защищенности информационных и телекоммуникационных систем
Ключевые слова:
система оценки защищенности, политика безопасности, модель безопасности, подсистема защиты, методы самоорганизацииАннотация
В статье рассматриваются подходы к долгосрочному прогнозированию количественных и качественных показателей подсистемы защиты информационных и телекоммуникационных систем, оценивается возможность их применения для анализа защищенности систем от несанкционированного доступа.
Литература
1. Стоянова О.В., Бояринов Ю.Г. Моделирование социально-экономических систем на основе самоорганизации нейро-нечетких сетей // Вестник МЭИ. 2014 №4.
2. Zelinka I., Oplatkova Z., Nolle L. Analytic programming – symbolic regression by means of arbitrary evolutionary algorithm // I. J. of Simulation. 2013. vol. 6, no. 9. pp. 44–56.
3. Дрейпер Н., Смит Г. Прикладной регрессионный анализ // М.: Издательский дом “Вильямс”. 2007. 912 c.
4. Anastasakis L., Mort N. The development of selforganization techniques in modeling: A review of the Group Method of Data Handling (GMDH) // Research Report № 823. Sheffield, United Kingdom, The University of Sheffield. 2015.
5. Орлов А.А. Принципы построения архитектуры программной платформы для реализации алгоритмов метода группового учета аргументов (МГУА) // Управляющие системы и машины: Международный журнал. 2013. № 2. С. 65–71.
6. Краснощеков П. С., Петров А. А. Принципы построения моделей // М.: Фазис. 2010. 264 c.
7. Booch G., Maksimchuk R.A., Engel M.W., Young B.J., Conallen J., Houston K.A. Object Oriented Analysis and Design with Applications // NY. Addison_Wesley Professional. 2013. 720 p.
8. Бояринов Ю.Г., Стоянова О.В., Дли М.И. Нейро-нечеткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами // М.: Физматлит. 2005.
9. Larose D.T. Discovering knowledge in Data: An Introduction to Data Mining // New Jersey: Wiley & Sons. 2005. 336 p.
10. Olson D.L. Advanced Data Mining Techniques // Berlin: Springer-Verlag. 2008. 180 p.
11. Kordik P. Fully Automated Knowledge Extraction using Group of Adaptive Models Evolution // PhD thesis. Prague. 2014. 150 p.
12. Стрижов В.В., Крымова Е.А. Методы выбора регрессионных моделей // М.: ВЦ РАН. 2010. T. 60. C. 2.
13. Guyon I., Gunn S. Feature extraction: foundation and applications // Springer. 2011. 778 p.
14. Efron B., Hastie T., Johnstone I., Tibshirani R. Least angle regression // The Annals of Statistics. 2014. vol. 32. no. 2. pp. 407–499.
2. Zelinka I., Oplatkova Z., Nolle L. Analytic programming – symbolic regression by means of arbitrary evolutionary algorithm // I. J. of Simulation. 2013. vol. 6, no. 9. pp. 44–56.
3. Дрейпер Н., Смит Г. Прикладной регрессионный анализ // М.: Издательский дом “Вильямс”. 2007. 912 c.
4. Anastasakis L., Mort N. The development of selforganization techniques in modeling: A review of the Group Method of Data Handling (GMDH) // Research Report № 823. Sheffield, United Kingdom, The University of Sheffield. 2015.
5. Орлов А.А. Принципы построения архитектуры программной платформы для реализации алгоритмов метода группового учета аргументов (МГУА) // Управляющие системы и машины: Международный журнал. 2013. № 2. С. 65–71.
6. Краснощеков П. С., Петров А. А. Принципы построения моделей // М.: Фазис. 2010. 264 c.
7. Booch G., Maksimchuk R.A., Engel M.W., Young B.J., Conallen J., Houston K.A. Object Oriented Analysis and Design with Applications // NY. Addison_Wesley Professional. 2013. 720 p.
8. Бояринов Ю.Г., Стоянова О.В., Дли М.И. Нейро-нечеткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами // М.: Физматлит. 2005.
9. Larose D.T. Discovering knowledge in Data: An Introduction to Data Mining // New Jersey: Wiley & Sons. 2005. 336 p.
10. Olson D.L. Advanced Data Mining Techniques // Berlin: Springer-Verlag. 2008. 180 p.
11. Kordik P. Fully Automated Knowledge Extraction using Group of Adaptive Models Evolution // PhD thesis. Prague. 2014. 150 p.
12. Стрижов В.В., Крымова Е.А. Методы выбора регрессионных моделей // М.: ВЦ РАН. 2010. T. 60. C. 2.
13. Guyon I., Gunn S. Feature extraction: foundation and applications // Springer. 2011. 778 p.
14. Efron B., Hastie T., Johnstone I., Tibshirani R. Least angle regression // The Annals of Statistics. 2014. vol. 32. no. 2. pp. 407–499.
Опубликован
2015-10-15
Как цитировать
Глыбовский, П. А., Глухов, А. П., Пономарев, Ю. А., & Шиленков, М. В. (2015). Подход к оцениванию и прогнозированию уровня защищенности информационных и телекоммуникационных систем. Труды СПИИРАН, 5(42), 180-195. https://doi.org/10.15622/sp.42.9
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).
