Zbiór danych zagrożeń w cyberbezpieczeństwie

Ten zbiór danych przedstawia szczegółowy widok globalnych zagrożeń i incydentów związanych z cyberbezpieczeństwem. Zawiera różne atrybuty, takie jak źródła ataków, typy, zaangażowane kraje, wpływ finansowy i mechanizmy obronne. Dane zostały wzbogacone o dodatkowe cechy, aby wspierać zaawansowane analizy i zadania uczenia maszynowego.

1-Nazwa pliku: cyber_security_threats.csv

2-Źródło: Kaggle

3-Wiersze: (3000)

4-Kolumny: 13

##Narzędzia użyte: 1-Python (Pandas, Matplotlib, Seaborn), Power BI

##Status: Oczyszczone, analizowane i wizualizowane

##Cechy

Opis cechy

1-źródło_ataku Pochodzenie lub inicjator ataku (np. botnet, złośliwe oprogramowanie, insider). 2-typ_ataku Typ cyberataku (np. DDoS, phishing, ransomware). 3-kraj Kraj, w którym atak został zainicjowany lub zgłoszony. 4-mechanizm_obronny Metoda użyta do złagodzenia lub odpowiedzi na atak. 5-strata_finansowa Szacunkowa strata finansowa spowodowana atakiem (USD). 6-czas_rozwiązania_incydentu Czas potrzebny na rozwiązanie incydentu (w godzinach lub dniach). 7-liczba_dotkniętych_użytkowników Liczba użytkowników dotkniętych atakiem. 8-typ_wrażliwości_bezpieczeństwa Wykorzystana podatność (np. SQL injection, zero-day, błędna konfiguracja). 9-branża_docelowa Branża dotknięta (np. finanse, opieka zdrowotna, edukacja). 10-rok Rok wystąpienia. 11-poziom_zagrożeń (Dodane) Niestandardowo obliczony poziom zagrożenia (np. Niski, Średni, Wysoki). 12-ataki_na_kraj (Dodane) Zsumowana liczba ataków na kraj.

##Przykłady zastosowań

1-Analiza eksploracyjna danych (EDA)

2-Analiza trendów zagrożeń cyberbezpieczeństwa na przestrzeni lat

3-Modelowanie predykcyjne strat finansowych lub czasu rozwiązania

4-Klasteryzacja na podstawie poziomów zagrożeń lub regionów

5-Dashbordy wizualizacyjne (Power BI, Tableau itp.)

6-Analiza ryzyka cyberbezpieczeństwa

7-Dashbordy opowiadające historie danych

8-Doświadczenia z uczeniem maszynowym (np. przewidywanie strat finansowych)

9-Profilowanie zagrożeń korporacyjnych

##Zbiór danych został oczyszczony i przetworzony przy użyciu Pythona, w tym:

1-Zarządzanie brakującymi wartościami

2-Inżynieria cech (poziom_zagrożeń, ataki_na_kraj)

3-Konwersje typów danych

4-Analiza eksploracyjna danych przy użyciu Matplotlib i Seaborn

##Wizualizacja

Przetworzony zbiór danych został zaimportowany do Power BI w celu stworzenia interaktywnego dashboardu. Kluczowe wizualizacje obejmowały:

1-Rozkład zagrożeń według kraju i branży

2-Roczne trendy typów ataków

3-Analiza strat finansowych według poziomu zagrożenia

4-Top 10 najbardziej wrażliwych krajów i branż

##Przykładowe spostrzeżenia

1-Top 5 krajów z największą liczbą cyberataków

2-Najczęstsze typy ataków w branży finansowej

3-Korelacja między poziomem zagrożenia a stratami finansowymi

4-Roczny wzrost ataków ransomware