ВКР Защита от интернет-мошенничества при помощи алгоритмов машинного обучения

Защита от интернет-мошенничества при помощи алгоритмов машинного обучения – полный разбор и помощь в написании

Вы находитесь на финальном этапе обучения по специальности 10.03.01 Информационная безопасность в МИРЭА, и перед вами стоит задача — написать выпускную квалификационную работу (ВКР) на тему «Защита от интернет-мошенничества при помощи алгоритмов машинного обучения». Это сложная, но крайне актуальная тема, сочетающая знания в области кибербезопасности, анализа данных и современных методов искусственного интеллекта. В этой статье мы подробно разберём структуру, содержание и ключевые аспекты, которые необходимо учесть при написании такой работы, а также покажем, как избежать типичных ошибок студентов.

Актуальность темы

С каждым годом растёт количество кибермошеннических атак в интернете: фишинг, скам-сайты, поддельные онлайн-магазины, социальная инженерия. По данным в 2025 году мы проверили 150 работ и выявили 5 типичных ошибок в аналитической главе, что подтверждает высокую востребованность автоматизированных систем обнаружения угроз. Традиционные методы защиты (например, черные списки или правила фильтрации) уже не справляются с динамичной природой мошеннических схем. Именно поэтому применение алгоритмов машинного обучения (ML) становится ключевым направлением в современной информационной безопасности.

Актуальность темы «Защита от интернет-мошенничества при помощи алгоритмов машинного обучения» обусловлена следующими факторами:

• Рост числа киберпреступлений в России и мире — по статистике МВД, количество заявлений о мошенничестве в интернете выросло на 37% за последний год.
• Сложность идентификации новых видов атак вручную — требуется автоматизация анализа поведения пользователей и контента.
• Высокая стоимость ошибок — потеря финансовых средств, утечка персональных данных, репутационные риски.

Таким образом, разработка и внедрение ML-систем для применение в сфере Применение ML для выявления мошеннических действий в сети является не просто научным интересом, а насущной потребностью бизнеса и государства.

Цель и задачи работы

Цель работы: разработка и исследование модели машинного обучения, способной эффективно выявлять признаки интернет-мошенничества на основе анализа поведенческих и контентных данных.

Для достижения цели необходимо решить следующие задачи:

1. Провести анализ существующих подходов к обнаружению мошеннических действий в сети.
2. Определить ключевые признаки (фичи), характерные для мошеннических ресурсов и действий пользователей.
3. Собрать и подготовить обучающую выборку данных (например, на основе открытых датасетов или синтетических данных).
4. Выбрать и обучить несколько алгоритмов ML (например, Random Forest, XGBoost, нейронные сети).
5. Оценить качество моделей по метрикам: точность, полнота, F1-мера, AUC-ROC.
6. Предложить архитектуру системы для интеграции модели в реальную инфраструктуру (например, веб-браузер или платежный шлюз).
7. Оформить результаты в соответствии с требованиями ГОСТ 7.32-2017 и методичкой МИРЭА.

Объект и предмет исследования

Объект исследования: процессы выявления и предотвращения интернет-мошенничества в цифровой среде.

Предмет исследования: алгоритмы машинного обучения, применяемые для автоматизированного анализа и классификации подозрительных действий пользователей и веб-ресурсов.

Такое разделение помогает чётко сформулировать научную проблему и избежать расплывчатости в формулировках, на что часто обращают внимание научные руководители и комиссия при защите.

Примерный план (содержание) работы

Структура ВКР должна соответствовать ГОСТ 7.32-2017 и требованиям вашего вуза. Ниже — пример содержания для темы «Защита от интернет-мошенничества при помощи алгоритмов машинного обучения»:

Важно: в МИРЭА часто требуют детальную проработку третьей главы с расчётами и графиками. Убедитесь, что ваш научрук одобрил структуру до начала написания.

Ожидаемые результаты и практическая значимость

По итогам работы вы должны получить:

• Работающую модель ML с точностью не менее 92% на тестовой выборке.
• Рекомендации по внедрению системы в реальные условия (например, в банке или сервисе электронной коммерции).
• Документацию по архитектуре и требованиям к инфраструктуре.

Практическая значимость заключается в возможности использования разработанной модели как прототипа для коммерческого продукта. Например, ООО «АйТи Безопасность» может интегрировать её в свой сервис мониторинга транзакций.

Типичные ошибки студентов при написании ВКР по Информационная безопасность

По нашему опыту, более 80% студентов получают замечания по оформлению списка литературы, а также по следующим пунктам:

• Нечёткая формулировка цели и задач — цель не соответствует теме, задачи не логично вытекают из цели.
• Слабая аналитическая часть — поверхностный обзор методов, отсутствие сравнительного анализа алгоритмов.
• Недостаток практической реализации — код в приложениях отсутствует или не работает.
• Ошибки в оформлении — нарушение ГОСТ по списку литературы, неправильная нумерация страниц, таблиц, рисунков.
• Низкая уникальность — особенно в теоретических главах, где студенты копируют определения без переформулировки.

Чтобы избежать этого, рекомендуем использовать проверенные источники и регулярно проверять работу в системе «Антиплагиат.ВУЗ».

Пример введения ВКР

В условиях стремительного развития цифровых технологий и роста объёмов онлайн-взаимодействий, проблема интернет-мошенничества приобретает всё большую остроту. Ежегодно миллионы пользователей становятся жертвами фишинга, финансовых скамов и поддельных сервисов. Традиционные методы защиты, основанные на правилах и черных списках, неэффективны против динамично изменяющихся угроз. В этой связи актуальной становится задача разработки адаптивных систем, способных автоматически выявлять признаки мошенничества.

Объектом исследования является процесс выявления мошеннических действий в интернете. Предметом исследования — алгоритмы машинного обучения, применяемые для анализа поведенческих и контентных данных.

Цель работы — разработка и оценка эффективности модели машинного обучения для обнаружения интернет-мошенничества. Для достижения цели поставлены следующие задачи: анализ существующих подходов, формирование обучающей выборки, обучение и сравнение моделей, разработка архитектуры системы.

В работе используются методы анализа, классификации, математического моделирования и программной реализации на Python с использованием библиотек scikit-learn и pandas. Работа состоит из трёх глав, списка литературы из 45 источников и приложений с исходным кодом.

Заключение ВКР 10.03.01 Информационная безопасность

В ходе выполнения выпускной квалификационной работы была исследована возможность применения алгоритмов машинного обучения для защиты от интернет-мошенничества. Были проанализированы существующие угрозы, рассмотрены методы их обнаружения, а также выбраны и протестированы наиболее перспективные модели — Random Forest, XGBoost и нейронная сеть.

Практическая реализация показала, что модель на основе XGBoost достигла наибольшей точности — 94,2% на тестовой выборке, при этом F1-мера составила 0,91. Это подтверждает эффективность применения ML для применение в сфере Применение ML для выявления мошеннических действий в сети. Разработанная архитектура может быть интегрирована в браузерные расширения или платёжные системы.

Таким образом, цель работы достигнута, все поставленные задачи выполнены. Результаты могут быть использованы в образовательных целях, а также как основа для коммерческого продукта. Работа оформлена в соответствии с требованиями ГОСТ 7.32-2017 и методическими указаниями МИРЭА.

Требования к списку источников по ГОСТ для Информационная безопасность

Список литературы должен содержать не менее 40 источников, из них:

• 70% — опубликованы после 2020 года;
• не менее 10 — иностранные источники;
• наличие нормативных документов (ГОСТ, ФЗ, приказы ФСТЭК и ФСБ).

Формат оформления — по ГОСТ Р 57580.1-2017. Примеры:

1. ГОСТ Р 57580.1-2017. Защита информации. Методы и средства компьютерной безопасности. Классификация угроз и методов защиты. — М.: Стандартинформ, 2017. — 24 с.
2. Goodfellow I., Bengio Y., Courville A. Deep Learning. — MIT Press, 2016. — 775 p.
3. Костина И.А. Методы обнаружения фишинга с использованием машинного обучения // Вестник информационной безопасности. — 2023. — №2. — С. 45–52.

Больше примеров — в статье «Оформление списка литературы по ГОСТ».

Как мы работаем с вашей ВКР по Информационная безопасность

Наши эксперты с опытом в сфере Информационная безопасность помогут вам на всех этапах:

1. Анализ методички вашего вуза — мы изучаем требования МИРЭА к структуре, оформлению и содержанию ВКР бакалавриат.
2. Подбор актуальных источников — только публикации после 2020 года, включая научные журналы, диссертации и нормативные документы.
3. Написание с учётом специфики — глубокая проработка теоретической и практической части, с расчётами, графиками и кодом.
4. Проверка в системе «Антиплагиат.ВУЗ» — гарантия уникальности от 90%, включая доработки при необходимости.
5. Подготовка презентации и доклада к защите — 10–12 слайдов, лаконичный текст, ответы на возможные вопросы комиссии.

Больше о процессе — в статье «Как повысить уникальность текста».

Почему студенты выбирают нас