Тезисы

Повсюду нас окружают данные, которые изменяются во времени. Их размерности растут, а интенсивности все время увеличиваются. Очень скоро нам будет не хватать даже самых больших мониторов, чтобы одновременно вывести их экран и наблюдать за происходящими изменениями. Нам скорее нужны хорошие алгоритмы для обнаружения необычной активности или аномалий в такого рода данных.

Для данной задачи давно известно множество хороших решений, которые обычно работают только с одномерными рядами. При этом мы рискуем упустить аномалии, связанные с изменением зависимостей между различными показателями. Алгоритмы для обнаружения аномалий в многомерных рядах уже сложнее как в понимании, так и в реализации.

В докладе предлагается рассмотреть различные архитектуры автоэнкодеров на основе нейронных сетей для задачи обнаружения аномалий в области индустриальной кибербезопасности и сравнить их как между собой, так и с более классическими методами анализа.

Нам предстоит разобрать особенности архитектуры и сравнить метрики качества для следующих автоэнкодеров:
* полносвязные слои;
* рекуррентные слои;
* seq2seq.

Результаты всех экспериментов будут проводится над открытыми наборами данных, которые опубликованы авторами доклада.

Предполагается, что слушатели уже знакомы с основами нейронных сетей и методами автоэнкодинга. Доклад в первую очередь будет интересен тем, кто решает задачи обнаружения аномалий или интересуется практическим применением нейросетевых технологий в области информационной безопасности.