Анализ эффективности нейросетевых архитектур для защиты промышленных систем от целевых атак социальной инженерии

Настоящее исследования представляет комплексный сравнительный анализ эффективности современных нейросетевых архитектур для противодействия целевым атакам социальной инженерии на промышленные системы. В работе приведена характеристика основных методов социальной инженерии, на основе которых выделена группа, оказывающих критическое влияние на отечественные производства. Экспериментальная часть исследования основана на открытом наборе данных, содержащем 651 191 URL-адрес, категоризированный по четырем типам: безопасные ресурсы, ссылки с дефейсом, фишинговые ресурсы, а также распространители вредоносного программного обеспечения. В работе представлена систематическая оценка как классических, так и инновационных подходов машинного обучения, включая сети Колмогорова-Арнольда (KAN), графовые (GNN) и капсульные нейронные сети (CapsNets), а также их гибридные комбинации. Результаты демонстрируют значительное превосходство гибридных архитектур, где комбинация CNN + LSTM достигла максимальной точности 92,29%, а CNN + KAN показала результат 92,00%. Детальный анализ выявил специфическую эффективность различных архитектур для отдельных категорий угроз: CapsNets показали наилучшие результаты в идентификации безопасных ресурсов (98,60%), тогда как CNN + LSTM наиболее эффективно обнаруживали фишинговые атаки (72,76%). Научная новизна работы заключается в установлении корреляции между типом нейросетевой архитектуры и характером возможной киберугрозы, что создает методологическую основу для разработки адаптивных систем безопасности нового поколения для промышленной инфраструктуры.