Набор данных угроз кибербезопасности

Этот набор данных предоставляет детальный обзор глобальных угроз и инцидентов в области кибербезопасности. Он включает различные атрибуты, такие как источники атак, типы, вовлеченные страны, финансовое воздействие и механизмы защиты. Данные были дополнены дополнительными функциями для поддержки продвинутых аналитических и машинных задач обучения.


1-Имя файла: cyber_security_threats.csv

2-Источник: Kaggle

3-Строки: (3000)

4-Столбцы: 13

##Используемые инструменты: 1-Python (Pandas, Matplotlib, Seaborn), Power BI

##Статус: Очистка, анализ и визуализация

##Функции

Описание функции

1-attack_source Происхождение или инициатор атаки (например, ботнет, вредоносное ПО, инсайдер). 2-attack_type Тип кибератаки (например, DDoS, фишинг, программное обеспечение-вымогатель). 3-country Страна, где была инициирована или зафиксирована атака. 4-defence_mechanism Метод, используемый для смягчения или реагирования на атаку. 5-financial_loss Оценочные денежные потери из-за атаки (USD). 6-incident_resolution_time Время, затраченное на разрешение инцидента (в часах или днях). 7-number_of_affected_user Количество пользователей, пострадавших от атаки. 8-security_vulnerability_type Используемая уязвимость (например, SQL-инъекция, нулевой день, неправильная конфигурация). 9-target_industry Отрасль, пострадавшая от атаки (например, финансы, здравоохранение, образование). 10-year Год происшествия. 11-threats_level (Добавлено) Пользовательский рассчитанный уровень угрозы (например, Низкий, Средний, Высокий). 12-attacks_per_country (Добавлено) Суммарное количество атак по странам.

##Сценарии использования

1-Исследовательский анализ данных (EDA)

2-Анализ тенденций киберугроз за годы

3-Прогностическое моделирование финансовых потерь или времени разрешения

4-Кластеризация на основе уровней угроз или регионов

5-Визуализация панелей управления (Power BI, Tableau и др.)

6-Анализ рисков кибербезопасности

7-Истории данных на панелях управления

8-Эксперименты с машинным обучением (например, прогнозирование финансовых потерь)

9-Корпоративное профилирование угроз

##Набор данных был очищен и обработан с использованием Python, включая:

1-Обработка пропущенных значений

2-Инженерия функций (threats_level, attacks_per_country)

3-Конверсия типов данных

4-Исследовательский анализ данных с использованием Matplotlib и Seaborn

##Визуализация

Обработанный набор данных был импортирован в Power BI для создания интерактивной панели управления. Ключевые визуализации включали:

1-Распределение угроз по странам и отраслям

2-Годовые тенденции типов атак

3-Анализ финансовых потерь по уровню угрозы

4-Топ 10 уязвимых стран и отраслей

##Примеры выводов

1-Топ 5 стран с наибольшим количеством кибератак

2-Наиболее распространенные типы атак в финансовой отрасли

3-Корреляция между уровнем угрозы и финансовыми потерями

4-Рост атак программ-вымогателей по годам