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

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

В этой статье — полное руководство по написанию ВКР в Финансовом университете по направлению 10.03.01 «Информационная безопасность» на тему применения генеративных моделей ИИ для борьбы с фишингом в финансовой сфере. Приведены структура, примеры кода, чек-листы и реальные источники. Всё, что нужно для успешной защиты — в одном месте.

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

Финансовые организации — главная мишень для фишинговых атак. По данным отчёта Group-IB за 2024 год, количество фишинговых доменов, имитирующих российские банки, выросло на 67% по сравнению с 2023 годом. При этом традиционные методы фильтрации (чёрные списки, сигнатуры) не справляются с динамичностью угроз. Здесь и появляется потребность в новых подходах. Генеративные модели ИИ, такие как BERT, GPT и их специализированные аналоги, способны анализировать не только содержание письма, но и стиль, структуру, метаданные, геолокацию отправителя и поведение пользователя. Это позволяет выявлять аномалии, которые классические системы пропускают. К примеру, в 2023 году Сбер внедрил ИИ-систему на базе трансформеров для анализа входящих писем. Результат — снижение ложных срабатываний на 40% и обнаружение 92% новых фишинговых писем до того, как они достигли клиентов (источник: sberbank.ru/press_release?id=20231108_01). Заметьте: актуальность не в том, что «ИИ популярен», а в том, что традиционные средства защиты не справляются с современными атаками. Ваша ВКР должна это отражать — с цифрами, примерами и ссылками на реальные кейсы.

Цель и задачи

**Цель ВКР:** Разработка модели на основе генеративных ИИ для автоматизированного обнаружения и противодействия фишинговым атакам в условиях финансовой организации. **Задачи:** 1. Проанализировать угрозы фишинга в финансовой сфере (на примере банка или МФО). 2. Исследовать существующие решения: от SpamAssassin до Yandex.Mail с ИИ. 3. Выбрать архитектуру модели (например, fine-tuning BERT для классификации писем). 4. Разработать прототип системы с интерфейсом анализа. 5. Оценить эффективность (precision, recall, F1-score) на тестовой выборке. 6. Рассчитать экономический эффект от снижения потерь на мошенничество. Задачи должны соответствовать структуре методички Финансового университета: анализ → проектирование → разработка → экономика. Каждая задача — отдельный логический блок главы.

Рекомендуемая структура дипломной работы

Пример введения для Финансовый университет

Фишинг остаётся одной из самых распространённых киберугроз в финансовой сфере. По данным ЦБ РФ, в 2024 году ущерб от мошеннических операций превысил 47 млрд рублей. Традиционные методы фильтрации писем неэффективны против новых видов атак, использующих социальную инженерию и динамический контент. Объект исследования — процессы обработки входящих сообщений в коммерческом банке. Предмет — применение генеративных моделей искусственного интеллекта для повышения точности обнаружения фишинга. Целью работы является разработка модели на основе трансформеров для автоматического анализа электронной почты и снижения количества успешных атак. Для достижения цели решаются задачи анализа угроз, выбора архитектуры ИИ, разработки прототипа и оценки его эффективности. Практическая значимость заключается в возможности внедрения системы в ИТ-инфраструктуру финансовых организаций для снижения операционных рисков.

Этапы разработки информационной системы

Как написать заключение по Информационная безопасность

В ходе работы была разработана модель на основе генеративного ИИ для обнаружения фишинговых писем. Проанализированы угрозы в финансовой сфере, выбрана архитектура на базе BERT, реализован прототип с REST API. Эксперимент показал точность распознавания на уровне 94%, что на 22% выше, чем у классических фильтров. Экономический расчёт подтвердил целесообразность внедрения: при годовых затратах на систему в 1,2 млн рублей ожидаемая экономия от предотвращённых атак — 8,5 млн рублей. Работа может быть использована в ИТ-подразделениях банков и МФО для повышения уровня информационной безопасности.

Требования к списку литературы Финансовый университет

Список литературы оформляется по ГОСТ Р 7.0.100-2018. Обязательно включение:

• ГОСТ Р ИСО/МЭК 27001-2021 — требования к системам менеджмента информационной безопасности.
• ФСТЭК России. Руководящий документ «Методические рекомендации по обеспечению безопасности персональных данных» — ссылка на документ.
• Devlin, J. et al. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding — arXiv:1810.04805.

Частые вопросы по теме «Модель применения генеративных моделей искусственного интеллекта для обнаружения и противодействия фишинговым атакам в финансовой сфере»

• В: Нужно ли реальное внедрение системы? О: Нет, достаточно прототипа и имитации внедрения. Главное — логика и расчёты.
• В: Какой объём кода в приложении? О: 15–25 страниц с комментариями. Достаточно ключевых модулей: классификация, API, интерфейс.
• В: Можно ли использовать Hugging Face? О: Да, но с объяснением, почему выбрана именно эта библиотека (например, наличие pre-trained моделей).

Вопросы, которые часто задают студенты

• Можно ли взять открытый датасет для обучения модели? Да, например, Enron-Spam или Phishing-Email-Dataset с Kaggle — kaggle.com/datasets/shashwatwork/phishing-email-dataset.
• Как обосновать выбор BERT вместо других моделей? Через сравнение метрик: BERT показывает лучший F1-score на задачах классификации текста (см. статью Devlin et al., 2019).