Багатовимірна матриця класифікації інформації для оцінки ризиків інформаційної безпеки
DOI:
https://doi.org/10.31649/1999-9941-2024-60-2-91-106Ключові слова:
динамічна класифікація інформації, візуалізація стану критичних ресурсів, багатовимірна матриця класифікації, класифікаційний стек, інтегральні оцінки ризиківАнотація
Анотація. У даній роботі розглядається одна з ключових задач щодо комплексної системи оцінки ризиків інформаційної безпеки для персоналу під час розмежування доступу до інформаційних ресурсів компанії. Актуальність дослідження підтверджується численними випадками витоків інформації, які демонструють недостатню ефективність традиційних методів класифікації та контролю доступу. Дослідження передбачає аналіз існуючих стратегій класифікації інформаційних ресурсів компанії та розробка додаткового методу, що базується на постійному аналізі доступу і динамічному коригуванні класифікації таких ресурсів. Для досягнення цієї мети було використано методи аналізу поточних стратегій класифікації інформації, комбінування різних методів класифікації та впровадження графічного методу поєднання традиційної класифікації ресурсів із динамічною складовою за допомогою багатовимірної матриці. Основні результати дослідження передбачають розробку вдосконаленого методу, що дозволяє постійно аналізувати доступ персоналу до інформаційних ресурсів компанії і в динамічному режимі коригувати класифікацію інформаційних ресурсів залежно від правил розмежування цього доступу. Запропонований підхід дозволяє включати довільну кількість показників на графіку у вигляді набору векторів та в подальшому розраховувати загальні оцінки ризиків на основі суми або різниці цих векторів. Практична цінність роботи полягає в тому, що запропонований підхід дозволяє в повній мірі використовувати сучасні технології контролю доступу і може бути основою для подальших досліджень, наприклад, таких, які підтримують автоматизовану класифікацію інформації за допомогою тренування нейронних мереж. Крім того, у рамках даного дослідження було проведено детальний огляд існуючих методів оцінки ризиків інформаційних ресурсів компанії та виявлено ключові недоліки, що притаманні традиційним підходам. Зокрема, були проаналізовані методи, що базуються на фіксованих рівнях доступу та використанні статичних правил для контролю доступу. Виявилося, що такі методи не здатні адекватно реагувати на динамічні зміни в поведінці користувачів та зміни у важливості інформаційних ресурсів. Таким чином, запропонований підхід дозволяє забезпечити більш гнучкий та адаптивний контроль доступу до інформаційних ресурсів. Це досягається шляхом постійного моніторингу доступу та автоматичного коригування рівнів доступу на основі аналізу поведінкових даних користувачів та зміни контексту використання інформаційних ресурсів
Посилання
Al Qahtani, E., Story, P., & Shehab, M. (2024). The impact of risk appeal approaches on users’ sharing confidential information. In Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI '24) (Article 579, pp. 1–21). Association for Computing Machinery. https://doi.org/10.1145/3613904.3642524
Alotibi, G. (2024). A cybersecurity awareness model for the protection of Saudi students from social media attacks. Engineering, Technology & Applied Science Research, 14(2), 13787-13795.
Arora, S., Lewis, P., Fan, A., Kahn, J., & Ré, C. (2023). Reasoning over public and private data in retrieval-based systems. Transactions of the Association for Computational Linguistics. Retrieved from https://transacl.org/index.php/tacl/article/view/4705
Arslan, M., & Cruz, C. (2024). Business text classification with imbalanced data and moderately large label spaces for digital transformation. Applied Network Science, 9, 11. https://doi.org/10.1007/s41109-024-00623-5
Barnawi, A., Kumar, K., Kumar, N., & Alzahrani, B., & Almansour, A. (2024). A deep learning approach for landmines detection based on airborne magnetometry imaging and edge computing. Computer Modeling in Engineering & Sciences, 139(2), 2117-2137. https://doi.org/10.32604/cmes.2023.044184
Emmanuel, I., Sun, Y., & Wang, Z. (2024). A machine learning-based credit risk prediction engine system using a stacked classifier and a filter-based feature selection method. Journal of Big Data, 11, 23. https://doi.org/10.1186/s40537-024-00882-0
Gambarelli, G., Gangemi, A., & Tripodi, R. (2023). Is your model sensitive? SPEDAC: A new resource for the automatic classification of sensitive personal data. IEEE Access, 11, 10864-10880. https://doi.org/10.1109/ACCESS.2023.3240089
Irwin, L. (2022, August 30). What is ISO 27001 information classification? IT Governance. Retrieved from https://www.itgovernance.co.uk/blog/what-is-information-classification-and-how-is-it-relevant-to-iso-27001
Lipps, C., & Schotten, H. D. (2022). Physical layer security: About humans, machines and the transmission channel. In Proceedings of the 21st European Conference on Cyber Warfare and Security (Vol. 21, No. 1, pp. 161-169). Academic Conferences International Limited. https://doi.org/10.34190/eccws.21.1.403. Retrieved from https://papers.academic-conferences.org/index.php/eccws/article/view/403/357
Malchiodi, D., Raimondi, D., Fumagalli, G., et al. (2024). The role of classifiers and data complexity in learned Bloom filters: Insights and recommendations. Journal of Big Data, 11, 45. https://doi.org/10.1186/s40537-024-00906-9
Mazzola, L., et al. (2021). Security rules identification and validation: The role of explainable clustering and information visualisation. In Stephanidis, C., Antona, M., & Ntoa, S. (Eds.), HCI International 2021 - Posters. HCII 2021. Communications in Computer and Information Science, vol 1420. Springer. https://doi.org/10.1007/978-3-030-78642-7_58
Mikuletič, S., Vrhovec, S., Skela-Savič, B., & Žvanut, B. (2024). Security and privacy oriented information security culture (ISC): Explaining unauthorized access to healthcare data by nursing employees. Computers & Security, 136, 103489. https://doi.org/10.1016/j.cose.2023.103489
New Zealand Protective Security Requirements. (2024, May 10). Applying business impact levels. Retrieved from https://nzism.gcsb.govt.nz/assets/Previous-versions/v3-2/NZISM-Part-One-v3.2-December-2018.pdf
Oseghale, O. (2023). Digital information literacy skills and use of electronic resources by humanities graduate students at Kenneth Dike Library, University of Ibadan, Nigeria. Digital Library Perspectives, 39(2), 181-204. https://doi.org/10.1108/DLP-09-2022-0071
Pitafi, S., Anwar, T., Widia, I. D. M., & Yimwadsana, B. (2023). Revolutionizing perimeter intrusion detection: A machine learning-driven approach with curated dataset generation for enhanced security. IEEE Access, 11, 106954-106966. https://doi.org/10.1109/ACCESS.2023.3318600
Queensland Government. (2024, May 10). Information security classification framework (QGISCF) – Queensland Government guidelines. Retrieved from https://www.forgov.qld.gov.au/information-and-communication-technology/qgea-policies-standards-and-guidelines/information-security-classification-framework-qgiscf
Ramamurthy, A., Sathya, V., Rochman, M. I., & Ghosh, M. (2022). ML-based classification of device environment using Wi-Fi and cellular signal measurements. IEEE Access, 10, 29461-29472. https://doi.org/10.1109/ACCESS.2022.3158056
Robinson, P. (2024). Data classification? Definition, levels & examples – Lepide data security. Lepide. Retrieved from https://www.lepide.com/blog/what-is-data-classification-and-how-to-do-it/
Shmatko, O., Balakireva, S., Vlasov, A., Zagorodna, N., Korol, O., Milov, O., Petrov, O., Pohasii, S., Rzayev, K., & Khvostenko, V. (2020). Development of methodological foundations for designing a classifier of threats to cyberphysical systems. Eastern-European Journal of Enterprise Technologies, 3(9), 6-19. https://doi.org/10.15587/1729-4061.2020.205702
Song, X., Liu, Z., & Jiang, B. (2024). Adaptive boosting with fairness-aware reweighting technique for fair classification. Expert Systems with Applications, 250, 123916. https://doi.org/10.1016/j.eswa.2024.123916
Velmurugan, S., Prakash, M., Neelakandan, S., et al. (2024). Provably secure data selective sharing scheme with cloud-based decentralized trust management systems. Journal of Cloud Computing, 13, 86. https://doi.org/10.1186/s13677-024-00634-8
Venn, B., Leifeld, T., Zhang, P., et al. (2024). Temporal classification of short time series data. BMC Bioinformatics, 25, 30. https://doi.org/10.1186/s12859-024-05636-6
Wang, G., & Gu, Y. (2024). Multi-task scenario encrypted traffic classification and parameter analysis. Sensors, 24(10), 3078. https://doi.org/10.3390/s24103078
Wiedemann, N., Janowicz, K., Raubal, M., et al. (2024). Where you go is who you are: A study on machine learning based semantic privacy attacks. Journal of Big Data, 11, 39. https://doi.org/10.1186/s40537-024-00888-8
Wood, P. (2013, January). Business priorities: What to protect, monitor and test. Computer Weekly. Retrieved from https://www.computerweekly.com/feature/Business-priorities-what-to-protect-monitor-and-test
Xu, A., Gao, J., Sui, X., Wang, C., & Shi, Z. (2024). LiDAR dynamic target detection based on multidimensional features. Sensors, 24(5), 1369. https://doi.org/10.3390/s24051369
Zhang, Y., Deng, Q., Liang, W., & Zou, X. (2018). An efficient feature selection strategy based on multiple support vector machine technology with gene expression data. BioMed Research International, 2018. https://doi.org/10.1155/2018/1234567
##submission.downloads##
-
PDF
Завантажень: 3
