А.С. Ким, И.П. Крепак

МОДЕЛИРОВАНИЕ ИИ-АЛГОРИТМОВ ОЦЕНКИ ЗАЩИЩЁННОСТИ УЧЁТНЫХ ЗАПИСЕЙ СОЦИАЛЬНЫХ СЕТЕЙ ОТ АДАПТИВНЫХ ФИШИНГ АТАК

Резюме: Данная научная статья посвящена моделированию интеллектуальных алгоритмов оценки защищённости учётных записей социальных сетей от адаптивных фишинг-воздействий с применением имплементации искусственного интеллекта и машинного обучения. В работе рассматриваются особенности современных фишинг атак, выделяющихся высокой степенью персонализации, динамической адаптацией сценариев и использованием поведенческих и социально-психологических факторов воздействия на пользователей. Анализируются ограничения традиционных подходов к оценке безопасности учётных записей, основанных на статических правилах и сигнатурных методах, в условиях эволюции стратегий компьютерных атак. Основное внимание уделяется построению моделей оценки уровня защищённости учётных записей на основе поведенческих, контекстных и технических признаков, а также применению алгоритмов классификации и выявления аномалий для обнаружения воздействий фишинга. Рассматриваются архитектурные подходы к разработке ИИ-алгоритмов, обеспечивающих адаптацию к развивающимся тактикам злоумышленников, включая функционал дообучения моделей. Отдельно затрагиваются вопросы качества данных, устойчивости алгоритмов к обходу и интерпретируемости результатов оценки в задачах обеспечения информационной безопасности.

Ключевые слова: искусственный интеллект, машинное обучение, защищённость учётных записей, социальные сети, адаптивный фишинг, обнаружение фишинга, анализ пользовательского поведения, обнаружение аномалий, оценка защищённости.

A.S. Kim, I.P. Krepak

MODELING AI-BASED ALGORITHMS FOR SOCIAL NETWORK USER ACCOUNTS SECURITY ASSESSING AGAINST ADAPTIVE PHISHING ATTACKS

Summary: This scientific article is devoted to intelligent algorithms modeling for assessing social network user accounts security against adaptive phishing impact using artificial intelligence and machine learning. The paper examines the characteristics of modern phishing attacks, which are distinguished by a high degree of personalization, dynamic adaptation of attack scenarios, and the use of behavioral and socio-psychological factors to influence users. The limitations of traditional account security assessment approaches based on static rules and signature-based methods are analyzed in the context of the evolution of attacker strategies. The study focuses on the development of models for assessing account security levels based on behavioral, contextual, and technical features, as well as on the application of classification and anomaly detection algorithms for identifying phishing impacts. Architectural approaches to designing AI-based algorithms that enable adaptation to changing attacker tactics, including mechanisms for continuous model retraining, are considered. Issues related to data quality, algorithm robustness against evasion attempts, and the interpretability of assessment results in information security applications are also addressed.

Keywords: artificial intelligence, machine learning, accounts’ security, social networks adaptive phishing, phishing detection, user behavior analysis, anomaly detection, information security assessment.

DOI: 10.34219/2078-8320-2026-16-2-165-170