Обзор методов машинного обучения для обеспечения кибербезопасности за последнее десятилетие

Широкое распространение и использование Интернета и мобильных приложений привели к расширению киберпространства, сделав его более уязвимым для автоматизированных и длительных кибератак. Методы кибербезопасности совершенствуют меры защиты, направленные на обнаружение кибератак и реагирование на них. Ранее применявшиеся системы безопасности больше не являются достаточными, поскольку киберпреступники способны обходить традиционные системы защиты. Традиционные системы безопасности недостаточно эффективны при обнаружении ранее неизвестных и полиморфных атак. Методы машинного обучения (ML) играют важную роль во многих приложениях кибербезопасности. Однако, несмотря на достигнутые успехи, обеспечение надежности систем машинного обучения по-прежнему сопряжено со значительными трудностями. В киберпространстве действуют мотивированные злоумышленники, готовые манипулировать такими уязвимостями систем машинного обучения и эксплуатировать их. Цель данной статьи — представить всесторонний обзор проблем, с которыми сталкиваются методы машинного обучения при защите киберпространства от атак, на основе анализа литературы о применении методов машинного обучения для обеспечения кибербезопасности, включая обнаружение вторжений, спама и вредоносного программного обеспечения в компьютерных и мобильных сетях за последнее десятилетие. Кроме того, представлены краткие описания каждого метода машинного обучения, часто используемых наборов данных по безопасности, основных инструментов машинного обучения и метрик оценки для оценивания моделей классификации. В заключение обсуждаются проблемы применения методов машинного обучения в кибербезопасности. Статья содержит обширную актуальную библиографию и рассматривает современные тенденции развития машинного обучения в области кибербезопасности.