Metoda oceny ryzyka naruszenia bezpieczeństwa użytkownika na podstawie indywidualnego profilu bezpieczeństwa
##plugins.themes.bootstrap3.article.sidebar##
Numer Tom 16 Nr 1 (2026)
-
Wydajna klasyfikacja białych krwinek w oparciu o CNN: badanie porównawcze wydajności modeli
Achraf Benba, Sara Sandabad5-9
-
Zautomatyzowana diagnostyka raka skóry z wykorzystaniem głębokiego uczenia: systematyczny przegląd najnowocześniejszych architektur, technik i oceny wydajności
Subaidabeevi Shafeena, Ramayyan Sumathy Vinod Kumar, Sikamony Sumathi Kumar, David Shahi10-20
-
Zwiększanie bezpieczeństwa kierowców dzięki rozpoznawaniu emocji na podstawie sygnałów EKG z wykorzystaniem sieci BiLSTM
Raga Madhuri Chandra, Satya Sumanth Vanapalli, Giri Venkata Sai Tej Neelaiahgari21-28
-
Automatyczny system do obliczania tabeli kalibracyjnej cylindrycznych zbiorników poziomych
Denis Proskurenko, Mykhailo Bezuglyi29-34
-
Kontrola stabilności emulsji woda-diesel za pomocą pomiarów zmętnienia
Oleksandr Zabolotnyi, Andrii Khodieiev, Nicolay Koshevoy, Roman Trishch35-41
-
Poprawa trybu rozruchu silnika indukcyjnego w warunkach spadku napięcia
Oleksandr Vovk, Serhii Halko, Andrii Sabo, Oleksandr Miroshnyk, Taras Shchur42-47
-
Modelowanie trybów dynamicznych w silniku prądu stałego do pojazdów elektrycznych
Viktor Lyshuk, Anatolii Tkachuk, Sergiy Moroz, Mykola Yevsiuk, Mykola Khvyshchun, Stanislav Prystupa, Valentyn Zablotskyi48-55
-
Budowa i analiza scenariuszy awarii w sieciach elektroenergetycznych z wykorzystaniem ontologii, modelu przepływu mocy oraz grafu wiedzy
Oleksandr Khomenko, Vyacheslav Senchenko, Oleksandr Koval, Iryna Husyeva56-61
-
Kinetyka suszenia materiałów ziarnistych w instalacjach z przerywanym zasilaniem elektrycznym wykorzystujących promieniowanie mikrofalowe i podczerwone
Roman Kalinichenko, Valentyna Bandura, Borys Kotov, Yurii Pantsyr, Ihor Garasymchuk, Serhii Stepanenko62-66
-
Metoda automatycznego dostrajania regulatora temperatury obudowy smartfonu
Danylo Zinchenko, Yurii Mariiash67-71
-
Wykorzystanie FPGA do modelowania i generowania procesów chaotycznych
Oleksandr Osadchuk, Iaroslav Osadchuk, Valentyn Skoshchuk72-77
-
ymulacja i projektowanie elektroniczne pięciowymiarowej chaotycznej sztucznej sieci neuronowej
Michael Kopp, Inna Samuilik78-83
-
Inteligentny łańcuch przetwarzania DL-SCH/PDSCH w sieci 5G z adaptacyjnym mechanizmem HARQ
Juliy Boiko, Ilya Pyatin84-93
-
Analiza modeli generatywnych w teledetekcji: przegląd kompleksowy
Gottapu Santosh Kumar, Gurugubelli Jagadeesh, Swarajya Madhuri Rayavarapu94-98
-
Dekodowanie z wykorzystaniem szumu zbiorowego z metodą inwersji bitów w kodach z niską gęstością i kontrolą parzystości
Mykola Shtompel, Oleksandr Shefer99-103
-
Wymiana wiedzy w niezależnych głębokich sieciach Q
Viacheslav Bochok, Nataliia Fedorova104-108
-
Wykrywanie ludzi na obrazach z dronów z wykorzystaniem technik głębokiego uczenia
Sobhana Mummaneni, Naga Deepika Ginjupalli, Pragathi Dodda, Novaline Jacob, Sanjay Raj Emmanuel Katari109-115
-
Analiza porównawcza algorytmów DeepSORT, ByteTrack i StrongSORT w zakresie śledzenia wielu obiektów w systemach monitoringu wizyjnego opartych na bezzałogowych statkach powietrznych
Andrii Safonyk, Viktor Podvyshennyi, Oleksandr Naumchuk116-120
-
Wysoce wydajne metody przetwarzania złożonych danych wizualnych w systemach wsparcia decyzyjnego
Oleksandr Poplavskyi, Sergii Pavlov, Oksana Bezsmernta, Iryna Gerasymova, Bakhyt Yeraliyeva121-125
-
Metoda antyaliasingu dla krzywych rzędu drugiego na rastrach heksagonalnych
Oleksandr Melnyk, Tetiana Prysiazhniuk126-129
-
Metoda oceny ryzyka naruszenia bezpieczeństwa użytkownika na podstawie indywidualnego profilu bezpieczeństwa
Svitlana Lehominova, Mykhailo Zaporozhchenko, Tetiana Kapeliushna, Yuriy Shchavinsky, Tetiana Muzhanova130-137
-
Metoda kodowania pozycyjnego w diferencyjnej przestrzeni falowej
Volodymyr Barannik, Anatolii Berchanov, Valeriy Barannik, Dmytro Uzlov, Mykola Dihtiar, Mykhailo Osovytskyi, Andrii Sushko, Yurii Babenko138-146
-
Platforma internetowa z usługą Checkbox: aspekty rachunkowości podatkowej, sprawozdawczości i współpracy z organami podatkowymi
Yuliia Povstiana, Lyudmila Samchuk, Ivan Kachula147-154
-
Analiza porównawcza webowych szkieletów programistycznych języka PHP: Codeigniter, Cakephp oraz Yii
Karol Rak, Mariusz Dzieńkowski155-161
-
Prognozowanie cen plonów z wykorzystaniem Temporal Fusion Transformer dla okręgu Krishna w stanie Andhra Pradesh
Dedeepya Manikonda, Ashutosh Satapathy, Keerthi Padamata, Jaswanthi Machcha, J. Chandrakanta Badajena162-170
-
Model transmisji pakietowej danych tekstowych z wykorzystaniem SDR w środowisku GNU Radio Companion
Nurbol Kaliaskarov, Kyrmyzy Taissariyeva, Nurlykhan Raulyev, Akezhan Sabibolda171-176
-
Modelowanie systemu produkcyjnego typu pull-flow z dynamicznym sterowaniem zapasami buforowymi
Saad Elbaraka, Salah-eddine Mokhlis, Adil Barra, Hicham Fouraiji, Mohamed Rhouzali, Najat Messaoudi177-182
Archiwum
-
Tom 16 Nr 2
2026-06-30 27
-
Tom 16 Nr 1
2026-03-30 27
-
Tom 15 Nr 4
2025-12-20 27
-
Tom 15 Nr 3
2025-09-30 24
-
Tom 15 Nr 2
2025-06-27 24
-
Tom 15 Nr 1
2025-03-31 26
-
Tom 14 Nr 4
2024-12-21 25
-
Tom 14 Nr 3
2024-09-30 24
-
Tom 14 Nr 2
2024-06-30 24
-
Tom 14 Nr 1
2024-03-31 23
-
Tom 13 Nr 4
2023-12-20 24
-
Tom 13 Nr 3
2023-09-30 25
-
Tom 13 Nr 2
2023-06-30 14
-
Tom 13 Nr 1
2023-03-31 12
-
Tom 12 Nr 4
2022-12-30 16
-
Tom 12 Nr 3
2022-09-30 15
-
Tom 12 Nr 2
2022-06-30 16
-
Tom 12 Nr 1
2022-03-31 9
##plugins.themes.bootstrap3.article.main##
Authors
Abstrakt
W niniejszym artykule przedstawiono metodę oceny ryzyka naruszenia bezpieczeństwa użytkowników w korporacyjnych systemach informatycznych spowodowanego cyberatakami wykorzystującymi socjotechnikę. Podejście to łączy ocenę indywidualnego profilu bezpieczeństwa każdego użytkownika – opartą na czynnikach psychologicznych, organizacyjnych, technicznych i informacyjnych – z modelowaniem opartym na grafach wewnętrznych interakcji w organizacji. W przeciwieństwie do większości istniejących metod, które koncentrują się wyłącznie na izolowanych cechach użytkownika lub zakładają scenariusz cyberataku jednoetapowego (bezpośredniego), proponowana metoda uwzględnia rozprzestrzenianie się cyberataków poprzez wieloetapowe trajektorie w sieciach komunikacyjnych. Opracowano sformalizowany czterofazowy model realizacji cyberataku socjotechnicznego, w którym każda faza jest opisana jako funkcja współdziałających czynników. Prawdopodobieństwa warunkowe są szacowane przy użyciu współczynników dynamicznych, które odzwierciedlają zarówno wartość bazową, jak i kontekstowy wpływ czynników modyfikujących. Wprowadzono procedurę opartą na grafach w celu obliczenia prawdopodobieństwa wieloetapowego naruszenia bezpieczeństwa w oparciu o strukturę i intensywność interakcji użytkowników (np. udział w projekcie, częstotliwość komunikacji, relacje hierarchiczne i wspólny dostęp do zasobów informacyjnych). Proponowana metoda została zweryfikowana poprzez indywidualne profilowanie bezpieczeństwa użytkowników, a następnie modelowanie oparte na scenariuszach wieloetapowego rozprzestrzeniania się ataków socjotechnicznych na reprezentatywnej podgrupie. Wyniki pokazują, że użytkownicy posiadający silną indywidualną ochronę mogą pozostawać podatni na zagrożenia ze względu na swoją pozycję w krytycznych łańcuchach komunikacyjnych. Wizualizacja trajektorii przekraczających określony próg prawdopodobieństwa pomaga w identyfikacji ścieżek wysokiego ryzyka i węzłów pośrednich, które wymagają priorytetowych środków ochrony. Główny wkład naukowy polega na połączeniu zindywidualizowanej oceny ryzyka z modelowaniem propagacji na poziomie systemu przy użyciu interpretowalnych i adaptowalnych konstrukcji matematycznych. Metoda nie wymaga dużych ilości danych empirycznych, co zapewnia jej praktyczną przydatność nawet w warunkach ograniczonego dostępu do informacji wewnętrznych. Przyszłe badania będą koncentrować się na automatyzacji gromadzenia danych do oceny czynników, dostosowaniu modelu do działania w czasie rzeczywistym oraz rozszerzeniu go poprzez zaawansowane modelowanie scenariuszy ataków behawioralnych.
Słowa kluczowe:
Bibliografia
[1] Abdollahbeigi, B., & Salehi, F. (2019). The Effect of External Environment Characteristics on Effective IT Governance through Organizational Performance. Journal of Technology Management and Technopreneurship (JTMT), 7(1), 19–28. https://jtmt.utem.edu.my/jtmt/article/view/5566
[2] Aijaz, M., & Nazir, M. (2024). Modelling and analysis of social engineering threats using the attack tree and the Markov model. International Journal of Information Technology, 16(2), 1231–1238. https://doi.org/10.1007/s41870-023-01540-z
[3] Albladi, S. M., & Weir, G. R. S. (2018). User characteristics that influence judgment of social engineering attacks in social networks. Human-Centric Computing and Information Sciences, 8(1), 5. https://doi.org/10.1186/s13673-018-0128-7
[4] Albladi, S. M., & Weir, G. R. S. (2019). A Conceptual Model to Predict Social Engineering Victims. 2019 IEEE 12th International Conference on Global Security, Safety and Sustainability (ICGS3), 212–212. https://doi.org/10.1109/ICGS3.2019.8688352
[5] Albladi, S. M., & Weir, G. R. S. (2020). Predicting individuals’ vulnerability to social engineering in social networks. Cybersecurity, 3(1), 7. https://doi.org/10.1186/s42400-020-00047-5
[6] Beckers, K., Krautsevich, L., & Yautsiukhin, A. (2015). Using Attack Graphs to Analyze Social Engineering Threats: International Journal of Secure Software Engineering, 6(2), 47–69. https://doi.org/10.4018/IJSSE.2015040103
[7] Bohonko, O., & Lysenko, S. (2023). Social engineering attacks detection approach. Herald of Khmelnytskyi National University. Technical Sciences, 327(5(2), 231-236. https://doi.org/10.31891/2307-5732-2023-327-5-231-236
[8] Cletus, A., Weyory, B., & Opoku, A. (2022). Improving Social Engineering Awareness, Training and Education (SEATE) using a Behavioral Change Model. International Journal of Advanced Computer Science and Applications, 13(5). https://doi.org/10.14569/IJACSA.2022.0130572
[9] Fakhouri, H. N., Alhadidi, B., Omar, K., Makhadmeh, S. N., Hamad, F., & Halalsheh, N. Z. (2024). AI-Driven Solutions for Social Engineering Attacks: Detection, Prevention, and Response. 2024 2nd International Conference on Cyber Resilience (ICCR), 1–8. https://doi.org/10.1109/ICCR61006.2024.10533010
[10] Huseynov, F., & Ozdenizci Kose, B. (2024). Using machine learning algorithms to predict individuals’ tendency to be victim of social engineering attacks. Information Development, 40(2), 298–318. https://doi.org/10.1177/02666669221116336
[11] Lopes, A., Mamede, H. S., Reis, L., & Santos, A. (2024). Common Techniques, Success Attack Factors and Obstacles to Social Engineering: A Systematic Literature Review. Emerging Science Journal, 8(2), 761–794. https://doi.org/10.28991/ESJ-2024-08-02-025
[12] Wang, Z., Sun, L., & Zhu, H. (2020). Defining Social Engineering in Cybersecurity. IEEE Access, 8, 85094–85115. https://doi.org/10.1109/ACCESS.2020.2992807
[13] Ye, Z., Guo, Y., Ju, A., Wei, F., Zhang, R., & Ma, J. (2020). A Risk Analysis Framework for Social Engineering Attack Based on User Profiling: Journal of Organizational and End User Computing, 32(3), 37–49. https://doi.org/10.4018/JOEUC.2020070104
[14] 2024 Data breach investigations report. Verizon Business, https://www.verizon.com/business/en-gb/resources/reports/2024/dbir/2024-dbir-data-breach-investigations-report.pdf
[15] Cost of data breach report 2024. IBM Corporation. https://table.media/wp-content/uploads/2024/07/30132828/Cost-of-a-Data-Breach-Report-2024.pdf
##plugins.themes.bootstrap3.article.details##
Abstract views: 290
Downloads: 220

