2 Анализ рисков нарушения безопасности персональных данных при их обработке в информационных системах персональных данных на основе алгоритма нечеткого вывода

2.1 Общий порядок анализа информационных рисков

2.1.1 Характерные особенности анализа рисков в информационных системах персональных данных

Анализ рисков предоставляет необходимую информацию системе управления рисками, в которой определяются контрмеры в зависимости от существующих угроз. Целью анализа является оценка величин отдельных рисков, определение наиболее значимых из них и формулировка приоритетов в реализации системы защиты.

С количественной точки зрения уровень риска является функцией вероятности реализации определенной угрозы (использующей некоторые уязвимые места), а также величины возможного ущерба [27].

В общем случае процесс оценки риска информационной системы включает в себя [85]:

– определение уязвимостей системы;

– определение списка угроз, актуальных для исследуемой информационной системы;

– оценку вероятности угроз;

– оценку вероятного ущерба в результате осуществления заданных угроз.

Риски можно оценивать по объективным либо субъективным критериям.

Под объективной вероятностью понимается относительная частота появления какого-либо события в общем объеме наблюдений. Объективная вероятность возникает при анализе результатов большого числа наблюдений, имевших место в прошлом, а также как следствия из моделей, описывающих некоторые процессы.

Под субъективной вероятностью понимается мера уверенности некоторого человека или группы людей в том, что рассматриваемое событие в действительности будет иметь место. Как мера уверенности человека субъективная вероятность может быть формально представлена вероятностным распределением на множестве событий, бинарным отношением на множестве событий и другими способами. Наиболее часто субъективная вероятность представляет собой вероятностную меру, полученную экспертным путем.

Проведение оценки возможно с использованием вычислений по известным аналитическим соотношениям, с использованием методов математической статистики для оценки интересующих параметров. Однако часто значения параметров исследуемых систем не удается получить указанными выше методами. Это особенно характерно для систем с высоким уровнем неопределенности и не имеющих достаточной предыстории функционирования. Именно такими являются современные информационные системы персональных данных. Например, в настоящее время нет данных, необходимых для определения таких параметров, как вероятность реализации угроз безопасности персональных данных в различных условиях функционирования ИСПДн, ущерб, наносимый в результате реализации совокупности УБПДн и др. [111]. В таких случаях целесообразно использовать аппарат теории нечетких множеств, нечеткой логики и метод экспертных оценок.

Концептуальным базисом всей современной нечеткой логики служат системы нечеткого вывода [60].

Нечеткий вывод занимает центральное место в нечеткой логике и системах нечеткого управления. Процесс нечеткого вывода представляет собой некоторую процедуру или алгоритм получения нечетких заключений на основе нечетких условий или предпосылок с использованием понятий нечеткой логики. Этот процесс соединяет в себе все основные концепции теории нечетких множеств: функции принадлежности, лингвистические переменные, нечеткие логические операции, методы нечеткой импликации и нечеткой композиции.

Механизм оценивания рисков на основе нечеткой логики, по существу, является экспертной системой, в которой базу знаний составляют правила, отражающие логику взаимосвязи входных величин и риска. В простейшем случае это "табличная" логика, в общем случае – более сложная логика, отражающая реальные взаимосвязи, которые могут быть формализованы с помощью продукционных правил вида "ЕСЛИ…, ТО".

Кроме того, механизм нечеткой логики требует формирования оценок ключевых параметров и представления их в виде нечетких переменных.

Для более подробного ознакомления основные положения теории нечетких множеств и нечеткого вывода представлены в приложении А.