Tel: +998977838464

2026
III Международный форум биоэкономики: специальный выпуск

IV-SEKSIYA - IQLIMGA MOSLASHUV VA EKOLOGIK MUVOZANATNI SAQLASHGA XIZMAT QILUVCHI INNOVATSION YECHIMLARNI TARGʻIB QILISH

IJTIMOIY MUHANDISLIK HUJUMLARINI ANIQLASH VA ULARGA QARSHI KURASHISHNING INNOVATSION INTELLEKTUAL USULLARI VA ALGORITMLARINI ISHLAB CHIQISH

DOI 10.67668/mj/2026issmaxsus/2194 Страницы 287-292

Опубликован 2026-09-25

Авторы
Eshmurodov Alisher Akrom oʻgʻli
Организация
Ташкентский Университет Информационных Технологий image/svg+xml
III Bioiqtisodiyot xalqaro forumi, Buxoro, 24-25-sentabr 2026
PDF (узбекский) Google Scholar Google Scholar

Аннотация

В статье предложена пятиэтапная диалоговая модель обнаружения атак социальной инженерии, осуществляемых через электронную почту, SMS, мессенджеры и голосовые звонки. Показано, что существующие средства анализируют сообщения по отдельности и поэтому поздно обнаруживают атаки, развивающиеся в форме многоэтапного диалога. Модель объединяет в слое GRU семантические признаки на основе многоязычного трансформера, принципы психологического влияния и контекстные признаки, после каждой новой реплики обновляет показатель риска в диапазоне 0-100 и предупреждает пользователя до совершения вредоносного действия. В зависимости от показателя риска диалог пропускается, пользователь получает предупреждение или диалог блокируется. Для обучения без централизации конфиденциальных данных банков и мобильных операторов применено федеративное обучение, для понятных предупреждений - метод SHAP. Даны предложения по организационным и техническим мерам противодействия, оценке эффективности раннего обнаружения и пилотным испытаниям в банках и у операторов.

Ключевые слова

социальная инженерия, обнаружение на уровне диалога, раннее предупреждение, многоязычные трансформеры, принципы убеждения, федеративное обучение, объяснимый искусственный интеллект, узбекский язык

Библиографические ссылки

  1. Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. In Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp. 1724-1734). https://doi.org/10.3115/v1/D14-1179
  2. Cialdini, R. B. (2021). Influence, new and expanded: The psychology of persuasion. New York: Harper Business
  3. Conneau, A., Khandelwal, K., Goyal, N., Chaudhary, V., Wenzek, G., Guzmán, F., Grave, E., Ott, M., Zettlemoyer, L., & Stoyanov, V. (2020). Unsupervised cross- lingual representation learning at scale. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 8440-8451). https://doi.org/10.18653/v1/2020.acl-main.747
  4. Federal Bureau of Investigation, Internet Crime Complaint Center (IC3). (2026). Internet Crime Report 2025. Washington, D.C.: FBI. https://www.ic3.gov/AnnualReport/Reports/2025_IC3Report.pdf
  5. Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765-4774. https://proceedings.neurips.cc/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html
  6. McMahan, B., Moore, E., Ramage, D., Hampson, S., & Agüera y Arcas, B. (2017). Communication-efficient learning of deep networks from decentralized data. Proceedings of Machine Learning Research, 54, 1273-1282. https://proceedings.mlr.press/v54/mcmahan17a.html
  7. Mouton, F., Leenen, L., & Venter, H. S. (2016). Social engineering attack examples, templates and scenarios. Computers & Security, 59, 186-209. https://doi.org/10.1016/j.cose.2016.03.004
  8. Radford, A., Kim, J. W., Xu, T., Brockman, G., McLeavey, C., & Sutskever, I. (2023). Robust speech recognition via large-scale weak supervision. Proceedings of Machine Learning Research, 202, 28492-28518. https://proceedings.mlr.press/v202/radford23a.html
  9. Verizon. (2025). 2025 Data Breach Investigations Report (DBIR). Verizon Business. https://www.verizon.com/business/resources/reports/dbir/
  10. Oʻzbekiston Respublikasining 2019-yil 2-iyul OʻRQ-547-son “Shaxsga doir maʼlumotlar toʻgʻrisida”gi Qonuni. https://lex.uz/docs/4396419
  11. Oʻzbekiston Respublikasining 2022-yil 15-aprel OʻRQ-764-son “Kiberxavfsizlik toʻgʻrisida”gi Qonuni. https://lex.uz/docs/5960604
  12. Oʻzbekiston Respublikasi Prezidentining 2024-yil 14-oktyabr PQ-358-son “Sunʼiy intellekt texnologiyalarini 2030-yilga qadar rivojlantirish strategiyasini tasdiqlash toʻgʻrisida”gi Qarori. https://lex.uz/docs/-7158604
  13. Ichki ishlar vazirligi maʼlumotlari: kiberjinoyatlar soni va zarar hajmi // Spot.uz, 27.01.2026. https://www.spot.uz/oz/2026/01/27/cybercrime/
  14. Joriy yilda kiberjinoyatchilar oʻzbekistonliklarning 1,9 trln soʻm mablagʻlarini oʻgʻirladi // Spot.uz, 23.12.2025. https://www.spot.uz/oz/2025/12/23/cyber-crime/
  15. Oʻzbekistonda 10 mingdan ortiq shubhali kartalar bloklandi, 1,72 trln soʻm saqlab qolindi // Spot.uz, 16.06.2026. https://www.spot.uz/oz/2026/06/16/cybersecurity/

Скачивания

Данные скачивания пока недоступны.