Подход к разработке системы выявления инцидентов информационной безопасности информационных ресурсов банковских систем при реализации этапов противодействия противоправным действиям
DOI:
https://doi.org/10.52575/2687-0932-2021-48-1-116-122Ключевые слова:
информационная безопасность, банковские информационные ресурсы, выявление инцидентов информационной безопасности, правила корреляции, система выявления инцидентов информационной безопасностиАннотация
Целью данной статьи является рассмотрение подхода к определению вероятности выявления инцидентов информационной безопасности информационных ресурсов банковских систем, при реализации этапов противодействия противоправным действиям (НСД, копирование, изменение, уничтожение информации). Авторами рассмотрена актуальность применения системы Security Information and Event Management (SIEM). Описаны источники данных для систем выявления инцидентов, атрибуты, которые могут быть проанализированы SIEM системой. При рассмотрении подхода к определению вероятности выявления инцидентов информационной безопасности введены параметры vn, v(min) обозначающие объем и минимальный объем базы правил корреляции системы выявления инцидентов информационной безопасности соответственно. Как результат определена вероятность, позволяющая полно характеризовать систему выявления инцидентов информационной безопасности информационных ресурсов банковских систем, при реализации этапов противодействия противоправным действиями (НСД, копирование, изменение, уничтожение информации).
Скачивания
Библиографические ссылки
Ефремова О.А., Никитин В.М., Чурносов М.И., Камышникова Л.А., Липунова Е.А., Муромцев В.В. 2016. Виртуальный способ оценки риска развития ишемической болезни сердца у носителей полиморфных кардиогенов. Научные ведомости Белгородского государственного университета. Серия «Медицина. Фармация», 26 (247): 76–83.
Муромцев В.В., Никитин В.М., Ефремова О.А., Камышникова Л.А. 2019. Подход к улучшению автоматизированной системы компьютерного анализа электрокардиограммы. Медицинские технологии. Оценка и выбор, 2 (36): 42–48.
Обухов С.А., Степанов В.П. 2019. Алгоритм обнаружения QRS-комплекса на электрокардиограмме в реальном времени. Инженерный журнал: наука и инновации, 5. [Электронный ресурс] URL: http://dx.doi.org/10.18698/2308-6033-2019-5-1877. (дата обращения
декабря 2020).
Петров С.П., Епишина Е.В., Воронин В.В. 2014. Оценка алгоритмов распознавания образов для задач автоматического анализа электрокардиограмм. Евразийский союз ученых,
(8–8): 27–29. [Электронный ресурс] URL: https://euroasia-science.ru/wp-content/uploads/2016/11/ evro_8p8_6-169.pdf (дата обращения 12 декабря 2020).
Рослякова А.В., Чупраков П.Г. 2012. Сравнительный анализ алгоритмов обнаружения
R-зубца Электрокардиосигнала. Вятский медицинский вестник, 2: 29–35.
Черемных С.В., Семенов И.О., Ручкин В.С. 2001. Структурный анализ систем:
IDEF-технологии. М., Финансы и статистика, 208.
Al-Naymat G., Chawla S., Taheri J. 2012. SparseDTW: A Novel Approach to Speed up Dynamic Time Warping arXiv:1201.2969v1 [cs.DB]. Available at: https://arxiv.org/pdf/1201.2969v1.pdf (accessed 12 December 2020).
Ansari S., Farzaneh N., Duda M., Horan K., Andersson H.B. 2017. Review of Automated Methods for Detection of Myocardial Ischemia and Infarction Using Electrocardiogram and Electronic Health Records. IEEE Reviews in Biomedical Engineering, 10: 264–298.
Choi E., Bahadori M.T., Schuetz A., Stewart W.F., Sun J. 2016. Doctor AI: Predicting clinical events via recurrent neural networks. In Machine Learning for Healthcare Conference. 56: 301–318.
Fernandez Biscay C., Arini P.D., Rincón Soler A.I. et al. 2020. Classification of ischemic and non-ischemic cardiac events in Holter recordings based on the continuous wavelet transform. Medical & Biological Engineering & Computing, 58, 1069–1078 [Electronic resource] Available at: https://doi.org/10.1007/s11517-020-02134-8. (accessed 12 December 2020).
LabVIEW. National Instruments. 2020. [Electronic resource] Available at: http://www.ni.com/. (accessed 12 December 2020).
Muromtsev V.V., Nikitin V.M., Efremova O.A., Kamyshnikova L.A., Ushakova S.N. 2020. One of the approaches to automating the analysis of the shape of ECG sections International Journal of Advanced Research in Engineering and Technology (IJARET), 11(7): 179–186.
Pan J., Tompkins W.J. 1985. A real time QRS detection algorithm. IEEE transactions on Biomedical Engineering, 32: 230–236.
PhysioBank. Databases. 2020. [Electronic resource]. Available at: http://physionet.org/physiobank/database/ (accessed 12 December 2020).
Sandau K.E., Funk M., Auerbach A., Barsness G.W., Blum K., Cvach M., Lampert R., May J.L., McDaniel G.M., Perez MV. 2017. Update to practice standards for electrocardiographic monitoring in hospital settings: a scientific statement from the American heart association. Circulation, 136 (19): e273–e344.
Steinhubl S.R., Waalen J., Edwards A.M., et al. 2018. Effect of a Home-Based Wearable Continuous ECG Monitoring. Patch on Detection of Undiagnosed Atrial Fibrillation: The mSToPS Randomized Clinical Trial. JAMA, 320 (2): 146–155.
Surawicz B., Knilans T. 2008. Chou’s Electrocardiography in Clinical Practice. 6th Edition. Saunders, 752.
Visio. 2020. [Electronic resource]. Available at: https://www.microsoft.com/ru-ru/microsoft-365/visio/flowchart-software. (accessed 12 December 2020).
Просмотров аннотации: 115
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2021 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
