ЗАМЕНИТ ЛИ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ «БЕЛЫХ ХАКЕРОВ»?

Виктор В. Минин, Георгий В. Песчанских

Аннотация


Данная статья касается использования инструментов искусственного интеллекта при проведении тестов на проникновение. Рассматриваются проблемы, возникающие при обучении нейросетей для выявления уязвимостей и проведения тестов на проникновение. Сравнивается обучение нейросетей и пентестеров с применением игр CTF. Проведено сравнение применимости искусственного интеллекта в деятельности таможенных органов и в деятельности пентестеров. На основе этого сравнения сделаны выводы о том, что для применения искусственного интеллекта деятельность должна обладать сложившимся свойством «алгоритмизируемости», возможностью декомпозиции на последовательность трудовых функций и ее описание в регламентирующих документах. Отсутствие профессионального стандарта, федерального государственного образовательного стандарта или иной регламентации трудовых функций, выполняемых пентестерами, затрудняет применение искусственного интеллекта в сфере тестирования на проникновение. Сформулированы предложения по созданию условий для использования искусственного интеллекта в тестировании на проникновение и в деятельности иных государственных органов, в рамках Национального плана развития искусственного интеллекта.


Ключевые слова


тест на проникновение, хакер, искусственный интеллект, стандарт профессии, образовательный стандарт, игры, таможня, таможенные органы, налоговые органы

Полный текст:

PDF

Литература


1. Wired: ИИ превратился в суперхакера, который взламывает самые защищённые программы – МК. URL: https://www.mk.ru/science/2026/01/16/wired-ii-prevratilsya-v-superkhakera-kotoryy-vzlamyvaet-samye-zashhishhyonnye-programmy.html (дата обращения: 07.02.2026).
Wired: AI Has Turned into a Superhacker That Cracks the Most Secure Programs – MK. URL: https://www.mk.ru/science/2026/01/16/wired-ii-prevratilsya-v-superkhakera-kotoryy-vzlamyvaet-samye-zashhishhyonnye-programmy.html (accessed: 07.02.2026) (in Russian).

2. Ян Лекун. Как учится машина. Революция в области нейронных сетей и глубокого обучения. Москва: Альпина нон-фикшн, 2021. ISBN 978-5-907394-29-2.
Yann LeCun. How a Machine Learns: A Revolution in Neural Networks and Deep Learning. Moscow: Alpina Non-Fiction, 2021. ISBN 978-5-907394-29-2 (in Russian).

3. Wired: если компьютеры такие умные, почему они не умеют читать? РБК Тренды. URL: https://trends.rbc.ru/trends/innovation/5dc1b3de9a7947eae869e6c3 (дата обращения: 07.02.2026).
Wired: If Computers Are So Smart, Why Can't They Read? RBC Trends. URL: https://trends.rbc.ru/trends/innovation/5dc1b3de9a7947eae869e6c3 (accessed 07.02.2026) (in Russian).

4. Выборнова О.Н., Пидченко И.А. Система обнаружения вредоносного программного обеспечения на основе технологии машинного обучения. Моделирование, оптимизация и информационные технологии. 2020; 8(3). DOI: http://dx.doi.org/10.26102/2310-6018/2020.30.3.042.
Vybornova O.N., Pidchenko I.A. A malware detection system based on machine learning technology. Modeling, Optimization and Information Technology. 2020; 8(3). DOI: http://dx.doi.org/10.26102/2310-6018/2020.30.3.042 (in Russian).

5. Митич Г., Двачич Б. Вирьё моё! Хроники невидимых хакерских войн от Сыктывкара до Сингапура. Москва: Эксмо, 2025. – 320 с. (Серия: КиберБез). ISBN 978-5-6054442-9-9.
Mitic G., Dvacic B. My Viryo! Chronicles of Invisible Hacker Wars from Syktyvkar to Singapore. Moscow: Eksmo, 2025. 320 p. (Series: CyberBez). ISBN 978-5-6054442-9-9 (in Russian).

6. Ветров И.А., Подтопельный В.В. Особенности построения нейросетей с учетом специфики их обучения для решения задач поиска сетевых атак Доклады Томского государственного университета систем управления и радиоэлектроники. 2023, т. 26, № 2, с. 42-50. DOI: http://dx.doi.org/10.21293/1818-0442-2023-26-2-42-50.
Vetrov I.A., Podtopelny V.V. Features of building neural networks taking into account the specifics of their training to solve the tasks of searching for network attacks. Scanning Problems Reports of Tomsk State University of Control Systems and Radioelectronics. 2023, v. 26, no. 2, pp. 42-50. DOI: http://dx.doi.org/10.21293/1818-0442-2023-26-2-42-50 (in Russian).

7. Кажемский М.А., Шелухин О.И. Многоклассовая классификация сетевых атак на информационные ресурсы методами машинного обучения. Труды учебных заведений связи. 2019;5(1):107-115. DOI: http://dx.doi.org/10.31854/1813-324X-2019-5-1-107-115.
Kazhemsky M.A., Sheloukhin O.I. Multiclass Classification of Attacks to Information Resources with Machine Learning Techniques. Proceedings of Telecommunication Universities. 2019;5(1):107-115. DOI: http://dx.doi.org/10.31854/1813-324X-2019-5-1-107-115 (in Russian).

8. Грэм Д. Этичный хакинг. Практическое руководство по взлому. Санкт-Петербург: Издательство «Санкт-Петербург:», 2025. – 384 с.
Graham, D. Ethical Hacking: A Practical Guide to Hacking. Saint Petersburg: Saint Petersburg Publishing House, 2025. 384 p. (in Russian).

9. Галиева Л.Д., Аюпова А.Р. Что такое "pentest" и для чего он нужен? Достижения и приложения современной информатики, математики и физики. Материалы VII Всероссийской научно-практической заочной конференции. 2018, c. 562-567. EDN: EPLWLC.
Galieva, L.D., Ayupova, A.R. What is "pentest" and what is it used for? Achievements and Applications of Modern Computer Science, Mathematics, and Physics. Proceedings of the VII All-Russian Scientific and Practical Correspondence Conference. 2018. pp. 562-567. EDN: EPLWLC (in Russian).

10. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2017, т. 6, № 3, с. 28-59. DOI: http://dx.doi.org/10.14529/cmse170303.
Sozykin A.V. An overview of methods for deep learning in neural networks. Bulletin of SUSU. Series: Computational Mathematics and Informatics. 2017, v. 6, no. 3, pp. 28-59. DOI: http://dx.doi.org/10.14529/cmse170303 (in Russian).

11. Минин, В., Песчанских, Г. (2026). Как обучать «детей Алисы»? Безопасность информационных технологий, 33(1), 198-201. DOI: http://dx.doi.org/10.26583/bit.2026.1.16.
Minin, V., Peschanykh, G. (2026). How to teach "Alice's children"? IT Security (Russia), 33(1), 198-201. DOI: http://dx.doi.org/10.26583/bit.2026.1.16 (in Russian).

12. Широколобова, А.Г. (2022). Геймификация в условиях цифровой трансформации образования. Вестник Самарского государственного технического университета. Серия: Психолого-педагогические науки, 19(1), 5-20. DOI: http://dx.doi.org/10.17673/vsgtu-pps.2022.1.1.
Shirokolobova, A. G. (2022). Gamification in the context of digital transformation of education. Vestnik Of Samara State Technical University Psychological And Pedagogical Sciences, 19(1), 5-20. DOI: http://dx.doi.org/10.17673/vsgtu-pps.2022.1.1 (in Russian).

13. Караваев Н. Л., Соболева Е. В. Совершенствование методологии геймификации учебного процесса в цифровой образовательной среде: монография. Киров: Вятский государственный университет, 2019. – 105 с. ISBN 978-5-98228-213-2.
Karavaev N. L., Soboleva E. V. Improving the Methodology of Gamification of the Educational Process in the Digital Educational Environment: monograph. Kirov: Vyatka State University, 2019. 105 p. ISBN 978-5-98228-213-2 (in Russian).

14. Песчанских, Г. (2026). Почему «белые хакеры» вне закона? Безопасность информационных технологий, 33(1), 194-197. DOI: http://dx.doi.org/10.26583/bit.2026.1.15.
Peschanykh, G. (2026). Why are "white hackers" outlawed? IT Security (Russia), 33(1), 194-197. DOI: http://dx.doi.org/10.26583/bit.2026.1.15 (in Russian).

15. Костенко В.А., Селезнева А.Е. Виды атак на федеративные нейросети и способы защиты. Труды Института системного программирования РАН. 2024;36(1):35-44. DOI: http://dx.doi.org/10.15514/ISPRAS–2024–36(1)–3.
Kostenko, V.A., Selezneva, A.E. Types of Attacks on Federated Neural Networks and Methods of Protection. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2024;36(1):35-44. DOI: http://dx.doi.org/10.15514/ISPRAS–2024–36(1)–3 (in Russian).

16. Котенко И.В., Саенко И.Б., Лаута О.С., Васильев Н.А., Садовников В.Е. Атаки и методы защиты в системах машинного обучения: анализ современных исследований. Вопросы кибербезопасности 2024 № 1(59),
с. 24-37. DOI: http://dx.doi.org/10.21681/2311-2024-1-24-3. EDN: IZQDLS.
Kotenko, I.V., Saenko, I.B., Lauta, O.S., Vasiliev, N.A., and Sadovnikov, V.E. Attacks and defense methods in machine learning systems: an analysis of modern research. Cybersecurity Issues. 2024, no. 1(59), pp. 24-37. DOI: http://dx.doi.org/10.21681/2311-2024-1-24-3. EDN: IZQDLS (in Russian).

17. Дьяченко Р.А., Частикова В.А., Лях А.Р. Реализация атак уклонением на нейронные сети и методы их предотвращения. Электронный сетевой политематический журнал «Научные труды КубГТУ». 2022, № 5, c. 68-77. EDN: XUMKYL.
Dyachenko R.A., Chastikova V.A., Lyakh A.R. Adversarial attacks and protection methods implementation. Electronic online polythematic journal "Scientific works of KubSTU". 2022, no. 5, pp. 68-77. EDN: XUMKYL (in Russian).

18. Елеев Х.М. Федеративное обучение для IoT и AIoT: применения, проблемы и перспективы. Известия Кабардино-Балкарского научного центра РАН. 2024, т. 26, № 2, с. 26-33. DOI: http://dx.doi.org/10.35330/1991-6639-2024-26-2-26-33.
Eleev H.M. Federated Learning for IoT and AIoT: applications, problems, and prospects. Bulletin of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences. 2024, v. 26, no. 2, pp. 26-33. DOI: http://dx.doi.org/10.35330/1991-6639-2024-26-2-26-33 (in Russian).

19. Костенко В.А., Селезнева А.Е. Виды атак на федеративные нейросети и способы защиты. Труды Института системного программирования РАН. 2024;36(1):35-44. DOI: http://dx.doi.org/10.15514/ISPRAS-2024-36(1)-3.
Kostenko V.A., Selezneva A.E. Types of attacks on federated neural networks and methods of protection. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2024;36(1):35-44. DOI: http://dx.doi.org/10.15514/ISPRAS-2024-36(1)-3 (in Russian).




DOI: http://dx.doi.org/10.26583/bit.2026.4.16

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.