Киберсигурност в критичната инфраструктура: библиометричен анализ (2015–2025)
DOI :
https://doi.org/10.55630/mem.2026.55.126-133Ключови думи :
изкуствен интелект, критична инфраструктура, OT/ICS/SCADA, откриване на аномалии, федерирано обучение, инжектиране на фалшиви данни, тренд анализАбстракт
Тази статия представя библиометричен анализ на 1862 научни публикации (2015– 2025), свързани с прилагането на изкуствен интелект (ИИ) на критичната инфраструктура. Данните представляват библиографски записи и метаданни (заглавия, резюмета, ключови думи, година, източник/списание или конференция и др.), извлечени от базите Scopus и Web of Science и обработени с помощта на R-пакета Bibliometrix. Изследването установява значително увеличение на научната продукция след 2020 г. Секторният анализ разкрива различни технологични профили: енергийният сектор остава фокусиран върху SCADA сигурността и откриване на инжектиране на фалшиви данни; транспортният сектор показва преминаване към федерирано обучение за свързана мобилност; водният сектор фокус върху обясним ИИ (XAI) и IoT. Тези резултати картографират прехода от обща защита на инфраструктурата към специфични за областта ИИ решения.
Литература (библиография)
Aminu, M., Akinsanya, A., Oyedokun, O., and Akinwande, O. T. (2024). A review of advanced cyber threat detection techniques in critical infrastructure: Evolution, current state, and future directions. International Journal of Computer Applications Technology and Research, 13(8), 74–87. https://www.irejournals. com/paper-details/1706103.
Aria, M., and Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007.
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71.
Zolanvari, M., Teixeira, M. A., Gupta, L., Khan, K. M., and Jain, R. (2019). Machine learning-based network vulnerability analysis of industrial internet of things. IEEE Internet of Things Journal, 6(4), 6822–6834. https://doi.org/10.1109/JIOT.2019.2912020.
