Downloaded 21 times
Uploaded byOntico
Нейронные сети на страже индустриальной кибербезопасности / Павел Филонов (Лаборатория Касперского)
Документ обсуждает применение нейронных сетей для улучшения кибербезопасности в промышленности, подчеркивая необходимость анализа и трудности в сборе данных. Рассматриваются различные методы машинного обучения, их преимущества и недостатки, а также важные метрики для оценки эффективности. Документ также упоминает важные исследования и практические примеры в области обнаружения аномалий и прогнозирования временных рядов.
Нейронные сети на страже индустриальной кибербезопасности / Павел Филонов (Лаборатория Касперского)
- 1. Нейронные сети на стражеиндустриальной кибербезопасности Павел Филонов
- 4.
- 5.
- 6. Физика ПЛК ПолнотаДанные Реальный объект Реальная Реальные Только «хорошие» примеры Трудно добывать данные
- 10. Физика ПЛК ПолнотаДанные Реальный объект Реальная Реальные Только «хорошие» примеры Трудно добывать данные
- 11. Физика ПЛК ПолнотаДанные Реальный объект Реальная Реальные Только «хорошие» примеры Трудно добывать данные Натурная модель Упрощенная Реальные Мало «плохих» примеров Долго добывать данные
- 14. Физика ПЛК ПолнотаДанные Реальный объект Реальная Реальные Только «хорошие» примеры Трудно добывать данные Натурная модель Упрощенная Реальные Мало «плохих» примеров Долго добывать данные
- 15. Физика ПЛК ПолнотаДанные Реальный объект Реальная Реальные Только «хорошие» примеры Трудно добывать данные Натурная модель Упрощенная Реальные Мало «плохих» примеров Долго добывать данные Компьютерная модель Модельная Модельные Много различных примеров Легко добывать данные
- 16.
- 17. Подходы к снаряду RulesBased Systems • Прозрачные • Нужен эксперт • Ловят только то, что знают • Сложны в реализации • Долгое внедрение • Ложные срабатывания Machine Learning • Непрозрачные • Нужны данные • Могут поймать новые атаки • Просты в реализации • Быстрое внедрение* • Ложные срабатывания*
- 18. Machine learning за5 минут
- 19. Machine learning за5 минут
- 20. Machine learning за5 минут
- 21. Machine learning за5 минут
- 22.
- 23. Сигнал ССегментация Извлечение признаков 𝑥11 ⋯ 𝑥1𝑚 ⋮⋱ ⋮ 𝑥 𝑛1 ⋯ 𝑥 𝑛𝑚 Сегменты Матрица признаков Кластеризация Кластеры Кодирование цепочек Последовательности меток
- 24. Сегментация • Достоинства • Удобновизуализировать • Можно легко трактовать • Можно применять символьные методы • Недостаки • Трудоемкие онлайн-алгоритмы • Сложно обобщить на многомерный случай • Необходимо подбирать много параметров • Неизвестное заранее число кластеров
- 25.
- 26.
- 27. Метод главных компонент •Достоинства • Быстрые алгоритмы обучения • Эффективные онлайн-алгоритмы • Хорошо укладывается в многомерный случай • Недостатки • Плохо подходит для случая нелинейных зависимостей • Работает без памяти • Непрозрачный
- 28.
- 29.
- 30.
- 31. Сети прямого распространения •Достоинства • Быстрые онлайн-алгоритмы вывода • Хорошо справляются с многомерными данными • Хорошо описывают нелинейные зависимости • Недостатки • Долгое время обучения • Непрозрачность • Необходимо подбирать размеры временного окна
- 32.
- 33. Рекуррентные нейронные сети Изображение:colah.github.io
- 34. Рекуррентные нейронные сети Изображение: colah.github.io
- 35.
- 36. Реккурентные сети • Достоинства •«Бесконечная» память • Эффективные онлайн-алгоритмы вывода • Недостатки • «Холодный» старт • Очень доглое время обучения • Непрозрачность
- 37. Die Hard X черновиксценария
- 38. Заводик работает вштатном режиме
- 39. Заводик работает вштатном режиме
- 40. В системе завелсязловред
- 41. Что-то пошло нетак!
- 42.
- 45. Оценка качества Шеф, унас проблемы В городе все спокойно Осуществляется атака True Positive (TP) False Negative (FN) Штатный режим False Positive (FP) True Negative (TN) Точность (precision) 𝑃 = 𝑇𝑃 𝑇𝑃+𝐹𝑃 Полнота (recall) 𝑅 = 𝑇𝑃 𝑇𝑃+𝐹𝑁
- 46. Кручу-верчу 𝐹 = 2 𝑃∙ 𝑅 𝑃 + 𝑅 𝐹-мера:
- 47. Источники 1. Stuxnet: первыежертвы – blogpost 2. Будни немецких сталеваров – blogpost 3. E. Keogh, S. Chu, D. Hart, and M. Pazzani. Segmenting Time Series: A Survey and Novel Approach – paper 4. L.H. Chiang, E.L. Russel, and R.D. Bratz. Fault Detection and Diagnosis in Industrial Systems – eBook 5. E. Keogh, J. Lin, and A. Fu. HOT SAX: Finding the Most Unusual Time Series Subsequence: Algorithms and Applications – paper 6. K. Koutroumbas, S. Theodoridis. Pattern Recognition - eBook
- 48. Источники 7. L. Huang,X. Ngueyn, M. Garofalakis, M. Jordan, A. Joseph, and N. Taft. In-Network PCA and Anomaly Detection – paper 8. A. Lebedevich. Statistics for Monitoring: Anomaly Detection – blogpost 9. К. В. Воронцов. Прогнозироваие временных рядов – slides, video 10. Neural Networks for Time Series Prediction – slides 11. P. Malhotra, A. Ramakrishnan, G. Anand, and L. Vig. LSTM-based Encoder-Decoder for Multi-sensor Anomaly Detection – paper 12. P. Malhotra, L. Vig, G. Shroff, P. Agarwal. Long Short Term Memory Networks for Anomaly Detection in Time Series - paper
- 49. Источники 13. A. Nanduri,L. Sherry. Anomaly detection in aircraft data using recurrent neural networks (RNN) – paper 14. A. Karpathy. The unreasonable effectiveness of rcurrent neural networks – blogpost 15. C. Olah. Understanding LSTM Networks – blogpost 16. J. Brownlee. Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras – blogpost 17. S. Hochreiter, J. Schmidhuber. Long Short-Term Memory - paper 18. Y. Bengio, P. Simard, and P. Frasconi. Learning Long-Term Dependencies with Gradient Descent is Difficult - paper
- 50. Спасибо за внимание! email:Pavel.Filonov@Kaspersky.com github: github.com/sdukshis twitter: @filonovpv
- 51. А нам нужноGPU? • Горизонт прогноза – 5 минут • Количество каналов ~ 600 • Keras 1.1.0 • Theano 0.8.2 • CUDA 8RC Спасибо команде Nvidia!