Контрольная работа: Расчет информационных рисков

Расчет информационных рисков

1. Основные методы учета рисков при анализе проектов

Информационные Технологии (ИТ) развиваются большими шагами в современном обществе. Нельзя представить организацию без наличия компьютера в ней, собственной сети, ИТ отдела. Это следствие того, что компьютеры являются эффективным инструментом повышения производительности труда.

Информация, хранящаяся в наших компьютерах, должна удовлетворять следующим требованиям, что бы быть востребованной:

конфиденциальность (Обеспечение доступа к информации только авторизованным пользователям);

целостность (Обеспечение достоверности и полноты информации и методов её обработки);

доступность (Обеспечение доступа к информации и связанным с ней активам авторизованных пользователей по мере надобности).

Всё это приводит нас к понятию Информационная Безопасность (ИБ). ИБ организации - это состояние защищенности интересов организации в условиях угроз в информационной сфере.

Угрозы ИБ - это совокупность условий и факторов, создающих опасность функционированию или нарушение ИБ, приводящий к различного рода ущербам.

Для регуляции деятельности по обеспечению ИБ на территории России осуществляется Государственными организациями:

ФСБ России;

ФСТЕК России;

ФСО России;

РОСКОМНАДЗОР;

Совет Безопасности;

Комитет Государственной думы по безопасности и т.д.

Для организации ИБ на предприятиях организовываются по желанию и предусмотрительности руководства:

Служба информационной безопасности;

Служба экономической безопасности;

Служба безопасности персонала.

Данные службы обеспечивают определение перечня необходимых мер защиты информации, выбор стратегии развития информационной структуры организации и поддержку на должном уровне безопасность организации. Это возможно только по результатам аудита уязвимостей предприятия и анализа рисков.

Тщательная проработка и учет рисков стала неотъемлемой частью и важной составляющей успеха деятельности. Однако все чаще приходится принимать решения в условиях неопределенности, которые могут привести к непредвиденным последствиям и, соответственно, нежелательным исходам и убыткам. Особенно серьезные последствия могут иметь неправильные решения относительно долгосрочных проектов. Поэтому своевременное выявление, а также адекватная и наиболее точная оценка рисков является одной из насущных проблем современного инвестиционного анализа.

Качественный анализ

Цель методов: выявление конкретных видов риска проекта, которые оказывают влияние на формирование потока наличности, а также возможных причин их возникновения.

Методы: Экспертных оценок, аналогий.

Достоинства:

Наглядность результатов;

Выявленные риски могут быть использованы для получения рекомендаций по их минимизации.

Недостаток:

Нет числовой оценки рисков

Количественный анализ

Цель методов: присвоить рискам определенную количественную характеристику, показать, как какие численные последствия для проекта повлекут те или иные риски.

Мера риска: дисперсия, стандартное отклонение, коэффициент вариации ежегодного денежного потока инвестиционного проекта и др.

a.       Анализ чувствительности

Цель: определение чувствительности критерия при «последовательно-единичном» изменении каждой переменной.

Достоинства:

Простота в применении;

Наглядность результатов

Недостаток:

Допущение изменения только одного из факторов, в то время как остальные считаются неизменными.

b.       Сценарный анализ.

Цель: определения риска неэффективности проекта как сумма вероятностей отрицательных значений NPV проекта.

Достоинства:

Простота в применении;

Наглядность результатов

Недостатки:

Субъективизм в присвоении вероятностей каждому из рассматриваемых сценариев;

Не охватывает все возможные варианты и сценарии развития проекта.

c.       Имитационное моделирование. (Метод Монте-Карло)

Цель: множеством итераций получить распределение доходности проекта, т.е. множество значений NPV, для которых рассчитывается среднее, а также величина риска.

Достоинства:

Дает более точную и четкую оценку рискам проекта

Удачно сочетается с другими экономико-статистическими методами, а также с теорией игр и другими методами исследования операций [6]

Недостатки:

Базируется на серьезных допущениях:

a.       Взаимонезависимость переменных (их некоррелированность)

b.      Нормальное распределение

Сложность и громоздкость вычислений

Существующие на сегодняшний день методы учета и оценки рисков субъективны и приводят к неправильным оценкам риска. Теория нечеткой логики - новый подход к оценке риска. Сейчас нечеткое моделирование является одной из наиболее эффективных и перспективных направлений в области управления и принятия решений.

2. Расчет информационных рисков

При расчете информационных рисков чаше всего используется формула:

ALE = ((AV x EF = SLE) x ARO)

где

·              стоимость ресурса (Asset Value, AV). Указанная величина характеризует ценность ресурса. При качественной оценке рисков стоимость ресурса чаще всего ранжируется в диапазоне от 1 до 3, где 1 - минимальная стоимость ресурса, 2 - средняя стоимость ресурса и 3 - максимальная стоимость ресурса. К примеру, сервер автоматизированной банковской системы имеет AV = 3, тогда как отдельный информационный киоск, предназначенный для обслуживания клиента, имеет AV = 1 по отношению к информационной банковской системе;

·              мера уязвимости ресурса к угрозе (Exposure Factor, EF). Этот параметр показывает, в какой степени тот или иной ресурс уязвим по отношению к рассматриваемой угрозе. Например, с точки зрения банка ресурс автоматизированной банковской системы имеет наибольшую доступность. Таким образом, атаки с целью реализации отказа в обслуживании (Denial of Service, DoS) представляют для него максимальную угрозу. При качественной оценке рисков данная величина также ранжируется в диапазоне от 1 до 3, где 1 - минимальная мера уязвимости (слабое воздействие), 2 - средняя (ресурс подлежит восстановлению), 3 - максимальная (ресурс требует полной замены после реализации угрозы);

·              оценка вероятности реализации угрозы (Annual Rate of Occurrence, ARO) демонстрирует, насколько вероятна реализация определенной угрозы за определенный период времени (как правило, в течение года) и также ранжируется по шкале от 1 до 3 (низкая, средняя, высокая).

На основании полученных данных выводится оценка ожидаемых потерь (уровень риска):

·              оценка ожидаемого возможного ущерба от единичной реализации определенной угрозы (Single Loss Exposure, SLE) рассчитывается по формуле:

= AV x EF;

·              итоговые ожидаемые потери от конкретной угрозы за определенный период времени (Annual Loss Exposure, ALE) характеризуют величину риска и рассчитывается по формуле:

= SLE x ARO.

3. Теория Нечеткой Логики (FUZZY LOGIC)

Нечёткая логика (англ. fuzzy logic) - раздел математики, являющийся обобщением классической логики и теории множеств, базирующее на понятии нечёткого множества, впервые введённого Лотфи Заде в 1965 году как объекта сфункцией принадлежности элемента к множеству, принимающей любые значения в интервале [0,1], а не только 0 или 1. На основе этого понятия вводятся различные логические операции над нечёткими множествами и формулируется понятие лингвистической переменной, в качестве значений которой выступают нечёткие множества.

Предметом нечёткой логики считается исследование рассуждений в условиях нечёткости, размытости, сходных с рассуждениями в обычном смысле, и их применение в вычислительных системах.

Основные этапы формирования:

1.      этап формирования основных теоретических постулатов (1965 - начало 80-х гг.);

- Zadeh L.A. (1965, 1973)

Dubois D., Prade H. (1979, 1980) - операции над нечеткими числами

2.      этап практических разработок в различных областях жизни, основанных на нечеткой логике; рождение нового научного направления в рамках нечеткой логики «Fuzzy Economics» (1973 - начало 90-х гг.);

- Buckley, J. (1987,1992) - «Решение нечетких уравнений в экономике и финансах» и «Нечеткая математика в финансах»

Kosko, Bart. (1993) - доказана основополагающая FAT-теорема (Fuzzy Approximation Theorem), подтвердившая полноту нечеткой логики

- И многие другие

3.      этап массового использования продукции, в основе работы которых лежит нечеткая логика (1995 - наше время).

-48 японских компаний образовали совместную лабораторию LIFE (Laboratory for International Fuzzy Engineering - Международная лаборатория разработок, основанных на нечеткой логике)

4.      огромный вклад в развитие направления Fuzzy Logic в России в последние годы:

- Недосекин А.О., Воронов К.И., Максимов О.Б., Павлов Г.С., Фролов С.Н.

В настоящее время нечеткая логика является хорошо развитым и хорошо зарекомендовавшим себя инструментом решения задач классификации, управления и принятия решений.

Главными достоинствами систем на основе нечеткой логики являются следующие:

·              возможность отказа от сложных и дорогих систем управления, основанных на решении дифференциальных уравнений, везде, где это позволяет требуемая точность вычислений;

·              описание процесса принятия решений на естественном языке, с использованием субъективных и привычных для человека качественных оценок типа «много - мало», «горячо - холодно», «хорошо - плохо» и т.д., и привязка этих оценок к строгому математическому аппарату.

Основной инструмент метода: функция принадлежности

Функция принадлежности - инструмент перевода лингвистических переменных на математический язык для дальнейшего применения метода нечетких множеств.

Функцией принадлежности является некая математическая функция, задающая степень или уверенность, с которой элементы некоторого множества  принадлежат заданному нечеткому множеству А. Чем больше аргумент x соответствует нечеткому множеству А, тем больше значение , т.е. тем ближе значение аргумента к 1.

Основанием для построения функции принадлежности могут служить экспертные оценки.

Основные виды функций принадлежности:

треугольные,

трапециевидные,

кусочно-линейные,

распределения Гаусса,

сигмоидные.

Методы построения функций принадлежности.

Выделяют две группы методов построения по экспертным оценкам функций принадлежности нечеткого множества : прямые и косвенные методы.

Прямые методы характеризуются тем, что эксперт непосредственно задает правила определения значений функции принадлежности , характеризующей элемент х. Примерами прямых методов являются непосредственное задание функции принадлежности таблицей, графиком или формулой. Недостатком этой группы методов является большая доля субъективизма.

В косвенных методах значения функции принадлежности выбираются таким образом, чтобы удовлетворить заранее сформулированным условиям. Экспертная информация является только исходной информацией для дальнейшей обработки. К группе данных методов можно отнести такие методики построения функций принадлежности, как построение функций принадлежности на основе парных сравнений, с использованием статистических данных, на основе ранговых оценок и т.д.

Предпосылки для анализа с помощью метода нечеткой логики.

Поскольку теория нечетких множеств - отдельный раздел математики, то он базируется на своих предпосылках.

В работе Л. Заде и Р. Беллмана указаны основные свойства, которыми должны обладать нечеткие множества:

Нормальность.

Унимодальность.

Выпуклость.

Преимущества и недостатки.

Использование метода нечетких множеств дает ряд преимуществ, т.к. позволяет:

включать в анализ качественные переменные;

оперировать нечеткими входными данными;

оперировать лингвистическими критериями;

быстро моделировать сложные динамические системы и сравнивать их с заданной степенью точности;

преодолевать недостатки и ограничения существующих методов оценки проектных рисков.

Недостатки метода:

существует субъективность в выборе функций принадлежности и формировании правил нечеткого ввода;

отсутствие информированности о методе, а также незначительно внимание к применение метода профессиональными финансовыми учреждениями;

необходимость специального программного обеспечения, а также специалистов, умеющих с ним работать.

Несмотря на недостатки и ограничения теории, метод нечетких множеств получил признание как перспективного и дающего точные результаты рядом крупнейших международных компаний (Motorola, General Electric, Otis Elevator, Pacific Gas & Electric, Ford). Для России, а также развивающихся рынков, использование метода нечеткой логики особо перспективно. Анализ рисков на основе статистических методов для большей части недавно образовавшихся компаний неприменимо, т.к. нет накопленной статистической информации для получения объективных оценок.

Таким образом, метод нечетких множеств не исключает применение статистических методов, а становится инструментом, когда другие подходы к оценке риска неприменимы.

4. Применение метода нечеткой логики с помощью пакета MATLAB

Общие сведения о пакете Fuzzy Logic Toolbox

Для рассмотрения результатов разработки и функционирования системы нечёткого вывода будем использовать графические средства пакета Fuzzy Logic Toolbox. Эти же средства используются и при разработке систем нечёткого вывода как графический объектно-ориентированный язык автоматического программирования.

В состав этих средств входят:

редактор систем нечёткого вывода FIS Editor (FIS);

редактор функций принадлежности систем нечёткого вывода Membership Function Editor(MFE);

редактор правил систем нечёткого вывода Rule Editor;

программа просмотра правил системы нечёткого вывода Rule Viewer;

программа просмотра поверхности нечёткого вывода Surface Viewer.

Основными этапами нечеткого вывода.

Говоря о нечеткой логике, чаще всего имеют в виду системы нечеткого вывода, которые лежат в основе различных экспертных и управляющих процессах. Основными этапами нечеткого вывода являются:

1.      Формирование базы правил системы нечеткого вывода.

2.      Фаззификация входных параметров.

.        Агрегирование.

.        Активизация подусловий в нечетких правилах продукций.

.        Дефаззификация.

Данная схема относится к алгоритму нечеткого вывода Мамдани, который один из первых нашел применение в системах нечетких множеств.

Опуская математические подробности теорий нечетких множеств, рассмотрим основные особенности каждого из этих этапов, основные из которых изображены на примере рисунка 1.

В свою очередь для каждого из терм-множеств задается функция принадлежности. Задача нечеткого вывода для данного примера является определение числового значения для выходной переменной С.