Новость о том, что в суде два часа зачитывали список жертв онлайн-мошенников, — не просто криминальная хроника. Для студентов ИТ-специальностей это сигнал: реальная проблема требует инженерных решений. В дипломной работе такой кейс может стать отправной точкой для проектирования антифрод-платформы, модели обнаружения подозрительных транзакций или системы мониторинга инцидентов. Разберём, как встроить эту тему в ВКР по кибербезопасности, чтобы работа звучала современно и имела практическую ценность.
Статью с SecurityLab можно использовать в качестве обоснования актуальности, взяв за основу масштаб ущерба и количество пострадавших. Для диплома это не просто иллюстрация, а источник требований к будущей системе: защита от массовых финансовых атак, алгоритмы выявления аномалий, автоматическое оповещение при подозрительной активности. Ниже — пошаговый план для трёх глав ВКР.
В аналитической части опишите виды онлайн-мошенничества: фишинг, социальная инженерия, перехват SMS и push-уведомлений, подменные сайты. Соотнесите их с матрицей MITRE ATT&CK (например, тактики Initial Access, Credential Access, Impact). Для формализации требований обратитесь к международному стандарту ISO/IEC 25010 — пропишите нефункциональные характеристики будущей системы: производительность, надёжность, защищённость. Также используйте OWASP ASVS для контроля безопасности прикладного уровня. В выводе главы укажите, что рассмотренные угрозы напрямую иллюстрируются кейсом из статьи — масштаб жертв подтверждает необходимость автоматизации защиты.
Спроектируйте архитектуру на основе C4-модели: контекст, контейнеры (веб-приложение, API-шлюз, ML-сервис, SIEM), компоненты. Для описания пользовательских сценариев постройте UML-диаграмму вариантов использования: «выполнение перевода», «проверка транзакции», «блокировка подозрительного оператора». В качестве ядра антифрода используйте алгоритмы машинного обучения — например, изолирующий лес (Isolation Forest) для детекции аномалий. Пример простого предобработанного пайплайна на Python:
from sklearn.ensemble import IsolationForest
import joblib
# Признаки: сумма, час, частота операций, отклонение от среднего чека
features = ['amount', 'hour', 'tx_frequency', 'amount_deviation']
model = IsolationForest(contamination=0.01, random_state=42)
model.fit(training_set[features])
# Сохраняем модель для продакшена
joblib.dump(model, 'antifraud_model.joblib')Для корреляции событий в реальном времени настройте правило SIEM (например, в Wazuh или Elastic Stack). Логика: если в течение минуты с одного аккаунта совершается более N переводов на разные карты — срабатывает алерт.
Рассчитайте метрики качества модели: Precision, Recall, F1-score, а также долю ложных срабатываний (FP Rate). Важно связать их с экономическими показателями: средний ущерб из статьи в пересчёте на одну жертву — и сравнить с потерями, которые система могла предотвратить. Для интеграционного тестирования постройте сценарии в Postman: передавайте набор транзакций, включая синтетические мошеннические, и проверяйте реакцию API. В заключении главы сделайте вывод о том, как внедрение антифрода снижает риск для пользователей и бизнеса.
Ниже — три актуальные темы, которые легко адаптировать под ваш вуз, уровень бакалавриата или магистратуры.
| Тема | Цель | Задачи |
|---|---|---|
| Разработка антифрод-модуля для банковского веб-приложения | Снизить количество успешных мошеннических операций за счёт ML-модели | 1) Классифицировать типы атак; 2) Сформировать набор данных для обучения; 3) Обучить модель и проверить метрики; 4) Разработать REST API для интеграции |
| Проектирование SIEM-системы мониторинга финансовых инцидентов | Сократить время обнаружения подозрительной активности | 1) Изучить архитектуру SIEM; 2) Настроить сбор логов транзакций; 3) Создать корреляционные правила; 4) Оценить эффективность на тестовых инцидентах |
| Модель раннего обнаружения фишинговых сайтов с помощью NLP | Выявлять ресурсы, имитирующие банковские порталы | 1) Собрать датасет фишинговых/легитимных сайтов; 2) Извлечь признаки текста и URL; 3) Обучить классификатор; 4) Разработать веб-интерфейс для проверки |
Ориентируйтесь на популярные решения: для аналитики — Python (pandas, scikit-learn), для интеграции — REST API, для мониторинга — Wazuh или Elastic Stack. Это бесплатно, документировано и легко объяснить на защите.
Используйте синтетические данные. Например, сформируйте набор транзакций с известными аномалиями (резкие большие суммы, необычная частота, ночные переводы). Или найдите готовые открытые датасеты на Kaggle с пометкой “Fraud Detection”.
Рисуйте диаграммы в UML в случае моделирования сущностей и сценариев, C4 — для архитектуры, BPMN — для процессов бизнеса. Подпишите оси и элементы, добавьте легенду. Проверьте, соответствует ли нотация ГОСТ 34.601-90, если вуз требует этого стандарта.
В первую очередь — Precision, Recall, F1 для ML-модели. Для SIEM — время обнаружения инцидента (MTTD) и время реакции (MTTR). Также полезно рассчитать коэффициент ложных срабатываний и экономию на предотвращённых атаках.
Источник: Список жертв зачитывали два часа. Суд огласил имена людей, потерявших деньги из-за онлайн-мошенников (опубликовано 2026-03-17)
```