Зростання цифрових загроз: Історичний погляд на комп’ютерні віруси та кібербезпеку
Анотація
Стрімка еволюція комп’ютерних вірусів посилила необхідність у розробці передових механізмів виявлення загроз. Це дослідження розглядає історичний розвиток шкідливого програмного забезпечення та аналізує роль машинного навчання у вдосконаленні засобів кібербезпеки. Аналізуючи ключові інциденти, такі як хробак Морріса, вірус ILOVEYOU та програма-вимагач WannaCry, дослідження виявляє закономірності у розвитку шкідливих програм та зростаючу складність кіберзагроз. Результати показують, що традиційні методи виявлення, засновані на сигнатурах, не встигають за розвитком шкідливого програмного забезпечення, що зумовлює необхідність переходу до підходів, заснованих на машинному навчанні. Технології, такі як виявлення аномалій, поведінковий аналіз і моделі глибокого навчання, довели свою ефективність у розпізнаванні нових загроз. Це дослідження підкреслює, що машинне навчання підвищує ефективність виявлення загроз у реальному часі завдяки здатності розпізнавати тонкі закономірності та адаптуватися до нових стратегій атак. Крім того, результати висвітлюють виклики, пов’язані з атаками, що використовують методи протидії системам виявлення, коли шкідливе програмне забазпечення навмисно змінює вхідні дані, щоб уникнути розпізнавання. Дослідження наголошує на необхідності розробки стійких до таких атак машинних моделей. Також інтеграція моделей на основі штучного інтелекту з традиційними засобами кібербезпеки покращує точність виявлення загроз і швидкість реагування на них. Використовуючи історичні знання та новітні технології, це дослідження обґрунтовує необхідність проактивного підходу до кібербезпеки. Отримані результати підтверджують важливість безперервного вдосконалення методів виявлення загроз на основі машинного навчання для боротьби з дедалі складнішими кібератаками.
Завантаження
Посилання
Ahmad, I., Bakar, A. A., Jan, R., & Yussof, S. (2024). Dynamic behaviors of a modified computer virus model: Insights into parameters and network attributes. Alexandria Engineering Journal, 103, 266–277. https://doi.org/10.1016/j.aej.2024.06.009
Ajay, P., Nagaraj, B., Arun Kumar, R., Suthana, V., & Ruth Keziah, M. (2024). DBN-protected material Enhanced intrusion prevention sensor system defends against cyber attacks in the IoT devices. Measurement: Sensors, 34, 101263. https://doi.org/10.1016/j.measen.2024.101263
Alanazi, M., Mahmood, A., & Chowdhury, M. J. M. (2023). SCADA vulnerabilities and attacks: A review of the state‐of‐the‐art and open issues. Computers & Security, 125, 103028. https://doi.org/10.1016/j.cose.2022.103028
Allegretta, M., Siracusano, G., González, R., Gramaglia, M., & Caballero, J. (2025). Web of shadows: Investigating malware abuse of internet services. Computers & Security, 149, 104182. https://doi.org/10.1016/j.cose.2024.104182
Behera, A., Sahoo, K. S., Mishra, T. K., & Bhuyan, M. (2024). A combination learning framework to uncover cyber attacks in IoT networks. Internet of Things, 28, 101395. https://doi.org/10.1016/j.iot.2024.101395
Benmalek, M. (2024). Ransomware on cyber-physical systems: Taxonomies, case studies, security gaps, and open challenges. Internet of Things and Cyber-Physical Systems, 4, 186–202. https://doi.org/10.1016/j.iotcps.2023.12.001
Cartwright, A., Cartwright, E., & Edun, E. S. (2023). Cascading information on best practice: Cyber security risk management in UK micro and small businesses and the role of IT companies. Computers & Security, 131, 103288. https://doi.org/10.1016/j.cose.2023.103288
Cascavilla, G., Tamburri, D. A., & Van Den Heuvel, W.-J. (2021). Cybercrime threat intelligence: A systematic multi-vocal literature review. Computers & Security, 105, 102258. https://doi.org/10.1016/j.cose.2021.102258
Chng, S., Lu, H. Y., Kumar, A., & Yau, D. (2022). Hacker types, motivations and strategies: A comprehensive framework. Computers in Human Behavior Reports, 5, 100167. https://doi.org/10.1016/j.chbr.2022.100167
Dey, A. K., Gupta, G. P., & Sahu, S. P. (2023). Hybrid meta-heuristic based feature selection mechanism for cyber-attack detection in IoT-enabled networks. Procedia Computer Science, 218, 318–327. https://doi.org/10.1016/j.procs.2023.01.014
Dong, T., Wang, A., & Liao, X. (2016). Impact of discontinuous antivirus strategy in a computer virus model with the point to group. Applied Mathematical Modelling, 40(4), 3400–3409. https://doi.org/10.1016/j.apm.2015.10.029
Evans, M., & Purdy, G. T. (2023). Architectural development of a cyber-physical manufacturing range. Manufacturing Letters, 35, 1173–1178. https://doi.org/10.1016/j.mfglet.2023.08.124
Gaber, M., Ahmed, M., & Janicke, H. (2025). Zero day ransomware detection with Pulse: Function classification with Transformer models and assembly language. Computers & Security, 148, 104167. https://doi.org/10.1016/j.cose.2024.104167
Gulyás, O., & Kiss, G. (2023). Impact of cyber-attacks on the financial institutions. Procedia Computer Science, 219, 84–90. https://doi.org/10.1016/j.procs.2023.01.267
Irshad, E., & Siddiqui, A. B. (2024). Context-aware cyber-threat attribution based on hybrid features. ICT Express, 10(3), 553–569. https://doi.org/10.1016/j.icte.2024.04.005
Kale, G., Bostancı, G. E., & Çelebi, F. V. (2024). Evolutionary feature selection for machine learning based malware classification. Engineering Science and Technology, an International Journal, 56, 101762. https://doi.org/10.1016/j.jestch.2024.101762
Karki, S., Hasan, A. B. M. M., & Sanin, C. (2024). Use of ML and AI in cybersecurity- a survey. Procedia Computer Science, 246, 1260–1270. https://doi.org/10.1016/j.procs.2024.09.552
Kaur, R., Gabrijelčič, D., & Klobučar, T. (2023). Artificial intelligence for cybersecurity: Literature review and future research directions. Information Fusion, 97, 101804. https://doi.org/10.1016/j.inffus.2023.101804
Kazimierczak, M., Habib, N., Chan, J. H., & Thanapattheerakul, T. (2024). Impact of AI on the cyber kill chain: A systematic review. Heliyon, 10(24), e40699. https://doi.org/10.1016/j.heliyon.2024.e40699
Kritika, Er. (2025). A comprehensive literature review on ransomware detection using deep learning. Cyber Security and Applications, 3, 100078. https://doi.org/10.1016/j.csa.2024.100078
Kumar, P., Govindaraj, V., Erturk, V. S., Nisar, K. S., & Inc, M. (2023). Fractional mathematical modeling of the Stuxnet virus along with an optimal control problem. Ain Shams Engineering Journal, 14(7), 102004. https://doi.org/10.1016/j.asej.2022.102004
Kumar, S., Shersingh, Kumar, S., & Verma, K. (2024). Malware classification using machine learning models. Procedia Computer Science, 235, 1419–1428. https://doi.org/10.1016/j.procs.2024.04.133
Pärn, E., Ghadiminia, N., García De Soto, B., & Oti-Sarpong, K. (2024). A perfect storm: Digital twins, cybersecurity, and general contracting firms. Developments in the Built Environment, 18, 100466. https://doi.org/10.1016/j.dibe.2024.100466
Rashid, S., Shafique, R., Akram, S., & Elagan, S. K. (2024). New computations of the fractional worms transmission model in wireless sensor network in view of new integral transform with statistical analysis; an analysis of information and communication technologies. Heliyon, 10(16), e35955. https://doi.org/10.1016/j.heliyon.2024.e35955
Renjith, G., Sonia, L., Aji, S., Corrado, A. V., & Vinod, P. (2022). GANG-MAM: GAN based enGine for modifying Android malware. SoftwareX, 18, 100977. https://doi.org/10.1016/j.softx.2022.100977
Rose, A. J., Kabban, C. M. S., Graham, S. R., Henry, W. C., & Rondeau, C. M. (2025). Malware classification through Abstract Syntax Trees and L-moments. Computers & Security, 148, 104082. https://doi.org/10.1016/j.cose.2024.104082
Sanmorino, A., & Kesuma, H. D. (2024). Fine-tuning a pre-trained ResNet50 model to detect distributed denial of service attack. Bulletin of Electrical Engineering and Informatics, 13(2), 1362–1370. https://doi.org/10.11591/eei.v13i2.7014
Sanmorino, A., Marnisah, L., & Kesuma, H. D. (2024). Detection of DDoS attacks using fine-tuned multi-layer perceptron models. Engineering, Technology & Applied Science Research, 14(5), 16444–16449. https://doi.org/10.48084/etasr.8362
Sarkar, G., & Shukla, S. K. (2023). Behavioral analysis of cybercrime: Paving the way for effective policing strategies. Journal of Economic Criminology, 2, 100034. https://doi.org/10.1016/j.jeconc.2023.100034
Sarker, I. H., Janicke, H., Mohsin, A., Gill, A., & Maglaras, L. (2024). Explainable AI for cybersecurity automation, intelligence and trustworthiness in digital twin: Methods, taxonomy, challenges and prospects. ICT Express, 10(4), 935–958. https://doi.org/10.1016/j.icte.2024.05.007
Seshagiri, P., Vazhayil, A., & Sriram, P. (2016). AMA: Static code analysis of web page for the detection of malicious scripts. Procedia Computer Science, 93, 768–773. https://doi.org/10.1016/j.procs.2016.07.291
Singh, S., Krishnan, D., Vazirani, V., Ravi, V., & Alsuhibany, S. A. (2024). Deep hybrid approach with sequential feature extraction and classification for robust malware detection. Egyptian Informatics Journal, 27, 100539. https://doi.org/10.1016/j.eij.2024.100539
Кількість переглядів: 1557 Кількість завантажень PDF: 741
Авторське право (c) 2025 Історія науки і техніки
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Авторські права та ліцензування
Ліцензійні умови: автори зберігають авторське право, а також надають право журналу публікувати оригінальні наукові статті, що містять результати експериментальних і теоретичних досліджень і не знаходяться на розгляді для опублікування в інших віданнях. Всі матеріали поширюється на умовах ліцензії Creative Commons Attribution License International CC-BY, яка дозволяє іншим розповсюджувати роботу з визнанням авторства цієї роботи і першої публікації в цьому журналі.
До рукопису статті додається підписана авторами відсканована копія «Угоди» про передачу авторами прав на публікацію рукопису і подальше розміщення статті в інтернеті (у форматі * .pdf або * .jpg).
Цією угодою автор засвідчує, що поданий матеріал:
- не порушує авторських прав інших осіб або організацій;
- не був опублікований раніше у інших видавництвах та не був поданий до публікації у інші видання.
Автор передає редколегії журналу "Історія науки і техніки" права на:
- публікацію статті українською (англійською та російською) мовою та розповсюдження її друкованої версії.
- переклад статті англійською мовою (для статей українською та російською мовою) та розповсюдження друкованої версії перекладу.
- розповсюдження електронної версії статті, а також електронної версії англомовного перекладу статті (для статей українською та російською мовою), через будь-які електронні засоби (розміщення на офіційному web-сайті журналу, в електронних базах даних, репозитаріях тощо).
Автор зберігає за собою право без узгодження з редколегією та засновниками:
- Використовувати матеріали статті повністю або частково з освітньою метою.
- Використовувати матеріали статті повністю або частково для написання власних дисертацій.
- Використовувати матеріали статті для підготовки тез, доповідей конференцій, а також усних презентацій.
- Розміщувати електронні копії статті (у тому числі кінцеву електронну версію, завантажену з офіційного web-сайту журналу) на:
- персональних web-ресурсах усіх авторів (web-сайти, web-сторінки, блоги тощо);
- web-ресурсах установ, де працюють автори (включно з електронними інституційними репозитаріями);
- некомерційних web-ресурсах відкритого доступу (наприклад, arXiv.org).
В усіх випадках наявність бібліографічного посилання на статтю або гіперпосилання на її електронну копію на офіційному сайті журналу є обов’язковим.
