Рамочная модель кибербезопасности на основе генеративного ИИ для разработки ПО в малых и средних предприятиях: подход ANN-ISM

Почему малым компаниям стоит заботиться о более умных цифровых щитах

Для многих малых и средних предприятий программное обеспечение стало основой повседневной работы — и вместе с тем появились интернет-преступники, которые видят в этих компаниях лёгкую добычу. В статье рассматривается, как новые формы искусственного интеллекта, называемые генеративным ИИ, могут помочь небольшим фирмам защищать свое ПО от мошенничества, программ-вымогателей и других цифровых взломов без крупных затрат и большой команды по безопасности.

Рост угроз для повседневного бизнеса

Малые и средние компании особенно уязвимы к кибератакам, потому что у них часто нет профильных специалистов, продвинутых инструментов и формальных процессов безопасности. По мере того как всё больше операций переходит в сеть, преступники используют более изощрённые приёмы: автоматизированные фишинговые рассылки, поддельные видео с имитацией реальных людей и вредоносное ПО с постоянно меняющимся поведением. Традиционные оборонительные меры, основанные на фиксированных правилах или известных сигнатурах атак, с трудом успевают за этой быстро меняющейся обстановкой. Успешные атаки могут выводить бизнес из строя, приводить к утечке данных клиентов и подрыву доверия — риски, которые для небольшой компании могут оказаться фатальными.

Использование обучающихся машин для раннего обнаружения проблем

Авторы предлагают рамочную модель, объединяющую два дополняющих друг друга подхода ИИ для решения этой задачи. Во-первых, искусственная нейронная сеть (ANN) обучается на исторических данных — таких как журналы событий, результаты сканирования кода и записи инцидентов — чтобы предсказывать, какие киберугрозы с наибольшей вероятностью возникнут в конкретном программном проекте. Во-вторых, генеративные модели ИИ, включая генеративно-состязательные сети, могут создавать реалистичные примеры атак — например синтетические фишинговые письма или поддельный трафик вредоносного ПО. Такие искусственные примеры позволяют обучать ANN и другие инструменты обнаружения даже при ограниченном объёме реальных данных, что типично для малых организаций.

Картирование взаимовлияния различных рисков

Помимо прогнозирования, модель использует метод интерпретативного структурного моделирования (ISM) для организации угроз и защит в понятную иерархию. Ввод экспертов, опрос 85 практиков и обширный обзор литературы были объединены для выявления десяти основных угроз, связанных с ИИ, с которыми сталкиваются разработчики ПО малого масштаба, включая автоматизированный фишинг, вымогатели, отравление данных моделей ИИ, атаки на цепочку поставок и нулевые дни, созданные с помощью ИИ. ISM располагает эти угрозы по уровням, показывая, какие из них инициируют или усиливают другие. Например, автоматическое обнаружение уязвимостей может приводить к вымогателям или эксплойтам, сгенерированным ИИ, в то время как слабости в цепочке поставок открывают двери для нескольких типов атак одновременно. Такая многослойная карта помогает менеджерам увидеть, какие корневые проблемы следует устранять в первую очередь.

Превращение анализа в практические шаги защиты

Гибридная модель ANN–ISM — это не просто теоретическая разработка; она оформлена в виде четырёхуровневой дорожной карты, которой компании могут пользоваться для оценки степени защиты своего ПО. На базовом уровне фирмы начинают с улучшенных мер против распространённых угроз, таких как фишинг. Более высокие уровни охватывают продвинутые опасности — дипфейки, управляемые ИИ вредоносы и отравление данных систем машинного обучения. Для каждой категории угроз авторы приводят конкретные практики с поддержкой ИИ: автоматизированный обзор кода, тестирование на проникновение с помощью ИИ, обнаружение аномалий в сетевом трафике и генерируемые ИИ учебные симуляции для сотрудников. Кейс с поставщиком ПО, ориентированным на ИИ, показывает, что многие из этих практик уже могут достигать зрелого уровня, особенно против фишинга, вымогателей и рисков цепочки поставок, в то время как защиты от эксплойтов нулевого дня и методов уклонения всё ещё развиваются.

Что это значит для будущего безопасного ПО

Проще говоря, исследование делает вывод, что генеративный ИИ может дать малым компаниям доступ к средствам защиты, которые раньше были доступны лишь крупным организациям. Обучая машины предвидеть атаки и структурируя сеть взаимосвязанных рисков, предлагаемая рамочная модель предлагает масштабируемый и относительно недорогой способ укрепления безопасности ПО на протяжении всего жизненного цикла. Авторы утверждают, что при принятии и доработке такие подходы могли бы помочь значительно большему числу малых и средних предприятий оставаться онлайн, защищать своих клиентов и не отставать от нападающих, которые всё активнее используют ИИ сами по себе.

Цитирование: Awan, M., Alam, A., Khan, R.A. et al. A generative AI-driven cybersecurity framework for small and medium enterprises software development: an ANN-ISM approach. Sci Rep 16, 9813 (2026). https://doi.org/10.1038/s41598-026-37614-8

Ключевые слова: кибербезопасность МСП, генеративный ИИ, безопасность программного обеспечения, нейронные сети, вымогатели и фишинг