Алгоритм применения генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам в финансовой сфере

Написать диплом по теме «Алгоритм применения генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам в финансовой сфере»

В работе по теме «Алгоритм применения генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам в финансовой сфере» студент анализирует уязвимости финансовых организаций, проектирует ИИ-алгоритм на основе LLM и GAN, реализует прототип детектора фишинга. Работа включает анализ угроз, разработку модели, экономический расчёт и защиту от обмана пользователей.

Нужен разбор вашей темы Алгоритм 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

Финансовые организации — основная мишень фишинговых атак. По данным ФСТЭК России (2025), 67% кибератак на банки связаны с социальной инженерией. Ущерб от одной успешной атаки в среднем — 2,8 млн руб. (источник: АКСИТ, 2025).

Классические фильтры писем не справляются с новыми техниками: deepfake-писем, динамически генерируемыми URL, персонализированным контентом. Здесь на помощь приходят генеративные модели: они могут не только анализировать, но и имитировать фишинг, чтобы обучать системы на основе противостояния.

Генеративные модели ИИ (GAN, LLM) уже используются ЦБ РФ в пилотных проектах по кибербезопасности. Это подтверждает реальную потребность в таких решениях.

Цель и задачи

Цель: Разработка алгоритма на основе генеративных моделей ИИ для обнаружения и противодействия фишинговым атакам в финансовой сфере.

Задачи:

1. Проанализировать угрозы фишинга в финансовой отрасли (по классификации ГОСТ Р 57580.1-2017).
2. Исследовать применимость GAN и LLM для генерации и детекции фишинговых сообщений.
3. Спроектировать архитектуру алгоритма с обучением на синтетических и реальных данных.
4. Реализовать прототип детектора на Python с использованием Hugging Face Transformers.
5. Оценить эффективность (точность, F1-мера) и экономический эффект внедрения.

Задачи соответствуют структуре методички Финансового университета: от анализа до экономики. Особенно важно — соблюдение логики «проблема → решение → эффект».

Объект и предмет исследования

• Объект: процесс обработки электронной почты в коммерческом банке (на примере ПАО «Сбербанк»).
• Предмет: алгоритм обнаружения фишинга на основе генеративных моделей ИИ.

Объект — реальный процесс, предмет — конкретная ИТ-разработка. Это соответствует требованиям ФСТЭК и методичке вуза.

Ожидаемые результаты и практическая значимость

• Снижение ложных срабатываний на 35% по сравнению с SpamAssassin.
• Увеличение точности детекции фишинга до 94% (на тестовой выборке из 5000 писем).
• Экономия до 1,2 млн руб./год на ручной проверке писем.

Эффекты измеримы, что критично для защиты в Финансовом университете.

Рекомендуемая структура дипломной работы

Пример введения для Финансовый университет

Финансовая сфера остаётся одной из самых уязвимых к кибератакам, основанным на социальной инженерии. Фишинговые письма, имитирующие официальные уведомления банков, становятся всё более изощрёнными. В 2024 году количество атак выросло на 41% (источник: Kaspersky Financial Threat Report, 2024). Стандартные методы фильтрации не справляются с персонализированными и динамически генерируемыми письмами. Целью данной работы является разработка алгоритма на основе генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам. В работе будет проанализирована угроза, спроектирован и реализован прототип детектора на базе LLM, проведена оценка его эффективности и экономического эффекта.

Этапы разработки информационной системы

Как написать заключение по Информационная безопасность

В ходе работы была проанализирована проблема фишинга в финансовой сфере. Разработан алгоритм, сочетающий генеративные и дискриминативные модели ИИ для повышения точности детекции. Прототип показал точность 94% на тестовой выборке, что на 18% выше, чем у классических фильтров. Экономический эффект составил 1,2 млн руб./год. Работа подтвердила целесообразность применения генеративных моделей ИИ для противодействия современным угрозам. Рекомендуется внедрение алгоритма в систему фильтрации электронной почты финансовых организаций.

Требования к списку литературы Финансовый университет

Источники должны быть оформлены по ГОСТ Р 7.0.100-2018. Включайте:

• Официальные документы: ГОСТ, рекомендации ФСТЭК, НПА.
• Научные статьи из eLibrary, CyberLeninka (не старше 5 лет).
• Документацию разработчиков: Hugging Face, OpenAI, Google AI.

Примеры источников:

1. ГОСТ Р 57580.1-2017. Защита информации. Атаки, угрозы и уязвимости. Классификация. — https://docs.cntd.ru/document/1200149784
2. Devlin J. et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // NAACL 2019. — https://arxiv.org/abs/1810.04805
3. Отчёт АКСИТ «Киберугрозы в финансовой сфере — 2025». — https://www.acsk.ru

⚠️ Типичные ошибки при написании ВКР

Вопросы, которые часто задают студенты

• В: Можно ли использовать ChatGPT для генерации фишинговых писем в работе? О: Да, но только в контролируемой среде и с указанием источника. Лучше — использовать open-source модели (Llama, Mistral).
• В: Нужно ли писать полный код в приложении? О: Да, ключевые модули: предобработка текста, обучение модели, инференс — должны быть в Приложении.

✅ Что проверить перед сдачей

Проверьте свою тему ВКР

• □ Есть ли реальная организация для анализа?
• □ Есть ли измеримый эффект внедрения?
• □ Можно ли построить диаграммы процессов?
• □ Есть ли реальные данные для экономических расчетов?