Написать диплом по теме «Модель применения генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам в финансовой сфере»
В 2025 году 74% финансовых организаций столкнулись с фишингом, использующим синтезированные письма на основе генеративных моделей (отчёт ФСТЭК, 2025). Тема разработки модели ИИ для противодействия таким атакам — одна из самых востребованных в направлении 10.03.01 «Информационная безопасность». В статье — структура ВКР, примеры реализации, чек-листы и реальные источники для Финансового университета.
Нужен разбор вашей темы Модель применения генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам в финансовой сфере? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)
Актуальность темы
Финансовый сектор — лидер по целевым фишинговым атакам. В 2025 году 68% кибератак на банки начались с фишинговых писем, 41% из которых использовали текст, сгенерированный LLM (например, GPT-4, LLaMA-3), что делает их трудноразличимыми для классических фильтров (источник: ФСТЭК. Отчёт о киберугрозах, 2025). Генеративные модели ИИ могут не только атаковать, но и защищать. Системы на базе NLP и машинного обучения способны анализировать стиль, структуру и метаданные писем, выявляя аномалии с точностью до 96% (по данным CyberLeninka, 2024). В Финансовом университете тема особенно релевантна: студенты могут использовать данные из открытых отчётов ЦБ РФ, API банков-партнёров и симуляторы фишинговых кампаний.Цель и задачи
**Цель ВКР:** Разработка модели на основе генеративного ИИ для автоматизированного обнаружения и блокировки фишинговых писем в финансовой сфере с интеграцией в почтовый шлюз. **Задачи (соответствуют методичке Финансового университета):** 1. Проанализировать угрозы фишинга в финансовой сфере (ГОСТ Р 57580.1-2017). 2. Изучить существующие решения (SpamAssassin, Microsoft Defender, Proofpoint). 3. Выбрать архитектуру модели (например, Fine-tuned BERT или RoBERTa). 4. Разработать алгоритм анализа текста, заголовков, URL и вложений. 5. Провести тестирование на датасете Enron + синтезированные фишинговые письма. 6. Оценить экономический эффект от снижения рисков. Каждая задача — шаг к цели, как требует ГОСТ 34.602-2020.Объект и предмет исследования
- **Объект:** система информационной безопасности банка (например, АО «Сбербанк-Технологии»). - **Предмет:** процесс фильтрации входящей электронной почты с использованием генеративных моделей ИИ. Не дублируйте: объект — где внедряется, предмет — что именно разрабатывается.Ожидаемые результаты и практическая значимость
- Модель с точностью >94% на тестовой выборке. - Интеграция в виде API-сервиса (Flask/FastAPI). - Снижение времени на обработку инцидента на 60%. - Рекомендации по внедрению в ИБ-системы финансовых организаций. Это измеримо, а значит — соответствует требованиям научного руководителя.Рекомендуемая структура дипломной работы
| Раздел ВКР | Рекомендуемый объем |
|---|---|
| Введение | 3–5 страниц |
| Аналитическая глава | 25–30 страниц |
| Проектная часть | 30–40 страниц |
| Экономическая часть | 15–20 страниц |
| Заключение | 2–3 страницы |
Пример введения для Финансового университета
Фишинг остаётся одним из самых эффективных векторов кибератак. С развитием генеративного ИИ злоумышленники получили инструмент для создания персонализированных, грамматически корректных и убедительных писем, обходящих традиционные фильтры. По данным ЦБ РФ (2025), 34% инцидентов с утечкой данных в банках начались с фишинга. Это требует внедрения новых подходов к защите.
Целью ВКР является разработка модели на основе генеративного ИИ для обнаружения фишинговых писем в финансовой сфере. Объектом исследования выступает система электронной почты финансовой организации, предметом — алгоритм анализа текста на основе NLP.
Задачи включают анализ угроз, выбор архитектуры модели, разработку прототипа и оценку его эффективности. Работа опирается на ГОСТ Р 57580.1-2017 и методические рекомендации Финансового университета. Практическая значимость — снижение рисков и повышение автоматизации ИБ.
Этапы разработки модели ИИ
Как написать заключение по Информационная безопасность
В ходе работы была разработана модель на основе RoBERTa для обнаружения фишинговых писем. Достигнута точность 95.2% на тестовой выборке из 5000 писем. Алгоритм интегрирован в виде REST API и протестирован в симуляторе почтового шлюза.
Экономический эффект составляет 2.1 млн руб./год за счёт снижения затрат на реагирование на инциденты. Рекомендовано внедрение в ИБ-системы средних и крупных банков.
Работа соответствует требованиям Финансового университета и ГОСТ 7.0.100-2018. Все задачи, поставленные во введении, выполнены.
Требования к списку литературы Финансовый университет
Список оформляется по ГОСТ Р 7.0.100-2018. Включайте:
- Официальные документы (ГОСТ, ФСТЭК, ЦБ РФ).
- Научные статьи (eLibrary, CyberLeninka).
- Документацию вендоров (Hugging Face, OpenAI).
Примеры реальных источников:
- ФСТЭК России. Отчёт о состоянии информационной безопасности в РФ в 2025 году. — URL: https://fstec.ru/dokumenty/otchet-o-kiberugrozakh-2025
- Кузнецов А.А. Применение NLP для обнаружения фишинга // Кибербезопасность и технологии. — 2024. — №3. — С. 45–52. — URL: https://cyberleninka.ru/article/n/primenenie-nlp-dlya-obnaruzheniya-fishinga
- Hugging Face. RoBERTa: A Robustly Optimized BERT Pretraining Approach. — URL: https://huggingface.co/docs/transformers/model_doc/roberta
Застряли на этапе разработки модели? Наши эксперты по Информационная безопасность помогут разобраться. Написать в Telegram или +7 (987) 915-99-32 (WhatsApp)
Типичные ошибки при написании Модель применения генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам в финансовой сфере
⚠️ Типичные ошибки студентов
- Ошибка: Копирование кода без объяснения → Как проверить: Добавьте комментарии и опишите логику в тексте.
- Ошибка: Общие фразы в актуальности → Решение: Используйте конкретную статистику (ФСТЭК, ЦБ РФ).
- Ошибка: Несоответствие задач цели → Чек-лист: Каждая задача должна начинаться с глагола: "разработать", "проанализировать", "оценить".
- Ошибка: Отсутствие данных для экономики → Решение: Используйте публичные отчёты банков или нормативы ФСБ.
Вопросы, которые часто задают студенты
- Можно ли использовать Hugging Face в дипломе? Да, это легитимный инструмент. Укажите модель и ссылку на документацию.
- Нужно ли реальное внедрение? Нет, достаточно прототипа и тестирования в лабораторной среде.
- Какой датасет выбрать? Enron + PhishingCorpus (доступны на Kaggle и UCI).
Частые вопросы по теме «Модель применения генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам в финансовой сфере»
- В: Сколько страниц должна быть практическая часть? О: В Финансовом университете обычно 40-60 стр., но смотрите методичку. Достаточно 35–45 при глубоком анализе.
- В: Нужен ли реальный код в приложении? О: Да, фрагменты ключевых модулей (токенизация, предсказание) обязательны. Полный код — по требованию научрука.
- В: Как проверить уникальность перед сдачей? О: Используйте Антиплагиат.ВУЗ с настройками вашего вуза. Порог — от 75%.
Что проверить перед сдачей
✅ Чек-лист перед защитой Модель применения генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам в финансовой сфере
- □ Все задачи из введения выполнены и отражены в заключении
- □ Код/схемы соответствуют ТЗ и методичке Финансового университета
- □ Уникальность >75% по Антиплагиат.ВУЗ (настройки вуза)
- □ Источники оформлены по ГОСТ Р 7.0.100-2018
- □ Экономический расчёт содержит реальные данные, а не шаблоны
- □ Диаграммы Mermaid или BPMN есть в аналитической части
- □ Введение и заключение не повторяют друг друга
Нужна помощь с защитой Модель применения генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам в финансовой сфере?
Наши эксперты — практики в сфере Информационная безопасность. Подготовим работу с глубоким анализом, реальными примерами и расчётами, готовую к защите в Финансовом университете.
Что вы получите: соответствие методичке вуза, гарантию оригинальности от 75%, сопровождение до защиты.
Ответим в течение 10 минут. Консультация бесплатна.