- •Условные сокращения
- •Введение
- •1. Менеджмент риска информационной безопасности
- •1.1. Основные термины и определения
- •1.2. Система менеджмента информационной безопасности
- •1.3. Менеджмент риска информационной безопасности
- •Конец первой и последующих итераций
- •1.3.1. Установление контекста
- •1.3.2. Оценка риска нарушения информационной безопасности
- •1.3.2.1. Анализ риска
- •1.3.2.1.1. Идентификация риска
- •1. Определение (идентификация) активов
- •Реестр информационных ресурсов Компании
- •2. Определение угроз
- •Определение существующих мер и средств контроля и управления
- •Выявление уязвимостей
- •5. Определение последствий
- •1.3.2.1.2. Установление значения риска (количественная оценка риска)
- •1.3.2.2. Оценивание риска
- •1.3.3. Обработка риска
- •1) Снижение риска
- •2) Сохранение риска
- •Предотвращение риска
- •Перенос риска
- •1.3.4. Принятие риска
- •1.3.5. Коммуникация риска
- •1.3.6. Мониторинг и переоценка риска
- •1.4. Стандарты в области управления информационными рисками
- •1.5. Инструментальные средства для управления рисками
- •1.5.9. Гриф 2006
- •1.5.10. АванГард
- •1.6. Контрольные вопросы
- •2. Математические основы принятия решений при управлении рисками
- •2.1. Основные понятия и обобщенная классификация задач принятия решений
- •2.2. Формальное описание моделей принятия решений
- •2.3. Методы экспертных оценок
- •2.3.1. Методологические основы и предпосылки применения методов экспертных оценок
- •2.3.2. Основные типы шкал
- •2.3.3. Методы проведение экспертизы
- •2.3.4. Качественные экспертные оценки
- •2.3.5. Этапы работ по организации экспертной оценки
- •2.3.6. Отбор экспертов и их характеристика
- •2.3.7. Методы опроса экспертов
- •2.3.8. Методы обработки экспертной информации, оценка компетентности и согласованности мнений экспертов
- •2.4. Детерминированные модели и методы принятия решений
- •2.4.1. Постановка многокритериальных задач принятия решений
- •2.4.2. Характеристики приоритета критериев. Нормализация критериев
- •2.4.3. Принципы оптимальности в задачах принятия решений
- •2.4.4. Постановка задач оптимизации на основе комбинирования принципов оптимальности
- •2.4.5. Теория полезности. Аксиоматические методы многокритериальной оценки
- •2.4.6. Метод аналитической иерархии
- •2.4.7. Методы порогов несравнимости электра
- •2.5. Статистические модели и методы принятия решений в условиях неопределенности
- •2.5.1. Статистическая модель однокритериального принятия решений в условиях неопределенности
- •2.5.2. Построение критериев оценки и выбора решений для первой ситуации априорной информированности лпр
- •2.5.2.1. Критерий Байеса-Лапласа
- •2.5.2.2. Критерий минимума среднего квадратического отклонения функции полезности или функции потерь
- •2.5.2.3. Критерий максимизации вероятности распределения функции полезности
- •2.5.2.4. Модальный критерий
- •2.5.2.5. Критерий минимума энтропии математического ожидания функции полезности
- •2.5.2.6. Критерий Гермейера
- •2.5.2.7. Комбинированный критерий. Объединение критериев Байеса-Лапласа и среднего квадратического отклонения функции полезности (потерь)
- •2.5.3. Построение критериев оценки и выбора решений для второй ситуации априорной информированности лпр
- •2.5.3.1. Максиминный критерий Вальда
- •2.5.3.2. Критерии минимаксного риска Сэвиджа
- •2.5.4. Построение критериев оценки и выбора решений для третьей ситуации априорной информированности лпр
- •2.5.4.1. Критерий Гурвица
- •2.5.4.2. Критерий Ходжеса-Лемана
- •2.5.5. Пример оценки отдельных характеристик качества информационной системы в условиях неопределенности
- •2.5.6. Статистическая модель многокритериального принятия решений на основе принципов оптимальности в условиях неопределенности
- •2.5. Методы оптимизации
- •2.7. Контрольные вопросы
- •Заключение
- •Приложение Справочные данные
- •Библиографический список
- •Оглавление
- •394026 Воронеж, Московский просп., 14
2.5.4.2. Критерий Ходжеса-Лемана
Критерий Ходжеса-Лемана позволяет использовать возможную информацию о распределении вероятности состояний среды, имеющуюся у ЛПР, и в то же время обеспечивает заданный уровень гарантированного выбора в случае, если эта информация неточная. Формально критерий Ходжеса-Лемана представляет собой комбинацию критерия Байеса-Лапласа и максиминного критерия Вальда.
Рассмотрим ситуацию принятия решений для функции потерь . Наилучшее решение определяется из условия
где — весовой коэффициент.
ЛПР пытается выбором весового коэффициента взвесить стремление выбрать решение с минимальным математическим ожиданием и учесть гарантированное наихудшее решение. Выбор ближе к единице будет отражать доверие ЛПР к значениям априорных вероятностей состояний среды и стремление в среднем получить наименьшие потери. При выборе ближе к нулю ЛПР не доверяет априорной информации о поведении среды, стремится к осторожному поведению, готов получить не очень хороший, но гарантированный результат.
Для функции полезности наилучшее решение определяется из условия
2.5.5. Пример оценки отдельных характеристик качества информационной системы в условиях неопределенности
В качестве иллюстрации рассмотрим пример решения задачи выбора лучшего варианта информационной системы, оцениваемого по одному локальному критерию — среднему времени восстановления наиболее важных типовых трактов между отдельными элементами ИС. Для упрощения записи опустим в формулах нижний индекс , который указывает на номер локального критерия.
Пусть сравниваются четыре варианта ИС при пяти состояниях среды, описываемых уровнями загрузки ИС , где соответствует низкому уровню загрузки ИС, – уровню ниже среднего, – среднему уровню, – высокому уровню, – сверхвысокому уровню. Пусть задача решается при первой ситуации априорной информированности ЛПР: известно априорное распределение вероятностей , определенное на множестве состояний среды . Значения среднего времени восстановления для разных проектов ИС и состояний среды оценены экспертами и приведены в табл. 2.16.
Таблица 2.16
Экспертная оценка значений среднего времени восстановления (в часах) для разных проектов ИС и состояний среды и оценка проектов по критерию Байеса-Лапласа и по критерию средних квадратических отклонений функции потерь
Вариант проекта ИС |
Вариант состояния среды |
Критерий Байеса-Лапласа
|
Среднее квадратическое отклонение
|
||||||
|
|
|
|
|
|||||
|
0,1 |
0,4 |
0,5 |
0,8 |
1,0 |
0,470 |
0,243 |
||
|
0,3 |
0,5 |
0,6 |
0,8 |
0,9 |
0,565 |
0,156 |
||
|
0,1 |
0,3 |
0,5 |
1,0 |
1,1 |
0,485 |
0,309 |
||
|
0,2 |
0,3 |
0,4 |
1,0 |
1,2 |
0,470 |
0,302 |
Необходимо выбрать лучший вариант проекта, обеспечивающий наименьшее среднее время восстановления наиболее важных типовых трактов между отдельными элементами ИС.
Для рассматриваемого случая среднее время восстановления можно трактовать как функцию потерь и решать задачу без преобразования приведенных значений в значения функции потерь. Применим универсальный комбинированный критерий для выбора лучшего варианта системы.
Пусть ЛПР полностью доверяет априорной информации и классифицирует априорную ситуацию информированности как первую. Тогда он выбирает и использует ком-бинацию критерия Байеса-Лапласа и критерия средних квад-ратических отклонений функции потерь с коэффициентом :
;
В табл. 2.13 также приведены оценки вариантов проектов ИС , вычисленные по критерию Байеса-Лапласа,
,
и значения критерия средних квадратических отклонений функции потерь
По критерию Байеса-Лапласа лучшим вариантами проекта оказываются. и а по критерию минимума средних квадратических отклонений функции потерь – .
Применим теперь комбинированный критерий
где , и построим множество решений задачи выбора при Результаты решения представлены в табл. 2.17.
Таблица 2.17
Результаты оценки и выбора лучших проектов ИС
с помощью комбинированного критерия
Вариант проекта ИС |
Параметр |
||||||||
0,1 |
0,2 |
0,3 |
0,4 |
0,5 |
0,6 |
0,7 |
0,8 |
0,9 |
|
|
0,447 |
0,425 |
0,402 |
0,379 |
0,357 |
0,334 |
0,311 |
0,289 |
0,266 |
|
0,524 |
0,483 |
0,442 |
0,401 |
0,360 |
0,319 |
0,278 |
0,238 |
0,197 |
|
0,467 |
0,450 |
0,432 |
0,415 |
0,397 |
0,379 |
0,362 |
0,344 |
0,326 |
|
0,453 |
0,436 |
0,420 |
0,403 |
0,386 |
0,373 |
0,352 |
0,335 |
0,319 |
|
|
|
|
|
|
|
|
|
|
По данным таблицы видно, как в зависимости от значения изменяются оптимальные решения. Такая наглядность позволяет ЛПР изучать полученное множество решений, более ясно формулировать свои требования, сравнивая различные решения.