Аннотация. 

В статье отражены результаты исследования вопроса повышения эффективности деятельности специалистов по защите информации при проведении оценки уровня критичности уязвимостей программных и программно-аппаратных средств. Обозначена важность данной деятельности для комплексного обеспечения безопасности информационных систем. Представлены результаты обзора существующих решений в области повышения ее эффективности путем автоматизации. Предложен подход к автоматизации оценки уровня критичности уязвимостей с использованием машинного обучения, представлено его описание, преимущества и план практической реализации. Обозначены перспективные направления развития предложенного подхода.

Ключевые слова: 

искусственный интеллект, машинное обучение, уязвимость, уровень критичности, информационная система, информационная безопасность.

DOI: 10.14357/20790279260314

EDN: QPQHJL

Стр. 121-131.

Литература

1. Ефимов А.О. Причины возникновения, классификация и критичность уязвимостей программного обеспечения информационных систем // Вестник Дагестанского государственного технического университета. Технические науки. 2025. Т. 52. № 2. С. 98–106.

2. Методика оценки уровня критичности уязвимостей программных, программно-аппаратных средств : методический документ / утв. ФСТЭК России 30 июня 2025 г. // ФСТЭК России. URL: https://fstec.ru/files/ …---30--2025--pdf (дата обращения: 28.06.2026).

3. Заведенская А. Обзор изменений в законодательстве. Июль, август 2025 г. // IT Security Russia. 2025. № 4. URL: https://www.itsec.ru/articles/obzor-izmenenij-v-zakonodatelstve-iyul-avgust-2025 (дата обращения: 28.06.2026).

4. Оценка уязвимостей: как выявлять и устранять слабые места в кибербезопасности // SecurityLab. 2025. 16 апреля. URL: https://www.securitylab.ru/ …558284.php (дата обращения: 02.01.2026).

5. Намиот Д.Е. О кибератаках с помощью систем искусственного интеллекта // International Journal of Open Information Technologies. – 2024. Vol. 12, No. 9. P. 132-141. URL: https://injoit.org/index.php/j1/article/view/1958/1776 (дата обращения: 28.06.2026).

6. Крюков С. ИИ ускорил атаки быстрее, чем компании успели перестроить защиту // Hi-

7. Могилко И.А. Программное средство для анализа и мониторинга уязвимостей в соответствии с банком данных угроз безопасности информации ФСТЭК РФ // Вестник науки. 2025. Т. 2. № 7 (88). С. 272-279.

8. Уровни критичности уязвимостей // Солар. 2025. 27 февраля. URL: https://rt-solar.ru/ … blog/5318/ (дата обращения: 02.01.2026).

9. Жуков В.Г., Селигеев С.В. Автоматизация оценки уязвимостей программных, программно-аппаратных средств в целевой информационной системе // Прикаспийский журнал: управление и высокие технологии. 2023. № 4 (64). С. 16-25. URL: https://cyberleninka.ru/article/n/avtomatizatsiya-otsenki-uyazvimostey-programmnvh-programmno-apparatnyh-sredstv-v-tselevoy-informatsionnoy-sisteme (дата обращения: 11.02.2026).

10. ГОСТ Р 71476-2024. Искусственный интеллект. Концепции и терминология искусственного интеллекта. М.: Российский институт стандартизации, 2024. 38 с.

11. Голиков Е., Синицин Ф., Федотов С. и др. Учебник по машинному обучению // Яндекс Образование. URL: https://education.yandex.ru/ … /ml (дата обращения: 28.06.2026).

12. Bonhomme C., Dulaunoy A. VLAI: A RoBERTa-Based Model for Automated Vulnerability Severity Classification. URL: https://arxiv.org/abs/2507.03607 (дата обращения: 28.06.2026).

13. Частикова В.А., Козачек К.В., Согомонян Е.К., Луговой Д.А., Серый Н.В. Методика определения критичности уязвимостей с использованием технологий BERT и Random Forest // Вестник УрФО. Безопасность в информационной среде. 2025. № 2 (56). С. 40-48.

14. VLAI: Automated Vulnerability Severity Classification (Russian Text) URL: https://huggingface.co/ … Roberta-large (дата обращения: 28.06.2026).

15. Ozer M.A., Dündar S. Evaluating LLM Performance on CWE Identification and CVSS Estimation // 2026 5th International Informatics and Software Engineering Conference (IISEC 2026). IEEE, 2026. URL: https://iisec.tbdakademi.org.tr/2026 (дата обращения: 28.06.2026).

16. Torkamani M.J., Ng J., Mehrotra N. et al. CWE and Severity Identification Artifacts // Zenodo. 2025. 1. Jan. URL: https://zenodo.org/records/15555291 (дата обращения: 28.06.2026).

17. Parente F.R., Rodrigues E.B., Mattos C.L. FRAPE: A Framework for Risk Assessment, Prioritization and Explainability of vulnerabilities in cybersecurity // Journal of Information Security and Applications. 2025. Vol. 89. Art. 103971. URL: https://www.sciencedirect.com/science/article/abs/pii/S2214212625000092 (дата обращения: 28.06.2026).

18. Русинова З.Р. Разработка инструмента для автоматического выявления уязвимостей в исходном коде на основе глубоких нейронных сетей: магистерская диссертация: 09.04.02 // Уральский федеральный университет. Екатеринбург, 2024. // Электронный научный архив УрФУ. URL: https://elar.urfu.ru/bitstream/10995/140355/1/m_th_z.r.rusinova_2024.pdf (дата обращения: 28.06.2026).