Нейронные сети на страже индустриальной кибербезопасности / Павел Филонов (Лаборатория Касперского)
•Transferir como PPTX, PDF•
2 gostaram•1,226 visualizações
Новые угрозы, которые появляются в области ICS, требуют новых подходов к обеспечению безопасности объектов критической инфраструктуры. В докладе будет рассмотрена задача автоматического обнаружения сбоев в работе технологических процессов на основе анализа динамики показаний сенсоров и управляющих сигналов. Модель обнаружения сбоев работает на основе прогнозирования значений множества связанных временных рядов с помощью многослойной нейронной сети с рекуррентными слоями. В докладе будет рассказано про выбор архитектуры сети и настройку ее гиперпараметров. Отдельно будут обсуждены проблемы добычи данных, в частности, как можно моделировать физически реализуемые сбои в работе системы для последующей оценки характеристик точности и полноты модели.
Recomendados
Recomendados
Mais conteúdo relacionado
Semelhante a Нейронные сети на страже индустриальной кибербезопасности / Павел Филонов (Лаборатория Касперского)
Semelhante a Нейронные сети на страже индустриальной кибербезопасности / Павел Филонов (Лаборатория Касперского) (14)
Mais de Ontico
Mais de Ontico (20)
Нейронные сети на страже индустриальной кибербезопасности / Павел Филонов (Лаборатория Касперского)
- 1. Нейронные сети на страже индустриальной кибербезопасности Павел Филонов
- 6. Физика ПЛК Полнота Данные Реальный объект Реальная Реальные Только «хорошие» примеры Трудно добывать данные
- 10. Физика ПЛК Полнота Данные Реальный объект Реальная Реальные Только «хорошие» примеры Трудно добывать данные
- 11. Физика ПЛК Полнота Данные Реальный объект Реальная Реальные Только «хорошие» примеры Трудно добывать данные Натурная модель Упрощенная Реальные Мало «плохих» примеров Долго добывать данные
- 14. Физика ПЛК Полнота Данные Реальный объект Реальная Реальные Только «хорошие» примеры Трудно добывать данные Натурная модель Упрощенная Реальные Мало «плохих» примеров Долго добывать данные
- 15. Физика ПЛК Полнота Данные 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
- 17. Подходы к снаряду Rules Based 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 за 5 минут
- 19. Machine learning за 5 минут
- 20. Machine learning за 5 минут
- 21. Machine learning за 5 минут
- 23. Сигнал ССегментация Извлечение признаков 𝑥11 ⋯ 𝑥1𝑚 ⋮ ⋱ ⋮ 𝑥 𝑛1 ⋯ 𝑥 𝑛𝑚 Сегменты Матрица признаков Кластеризация Кластеры Кодирование цепочек Последовательности меток
- 24. Сегментация • Достоинства • Удобно визуализировать • Можно легко трактовать • Можно применять символьные методы • Недостаки • Трудоемкие онлайн-алгоритмы • Сложно обобщить на многомерный случай • Необходимо подбирать много параметров • Неизвестное заранее число кластеров
- 26. Метод главных компонент (PCA)
- 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
- 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
- 33. Рекуррентные нейронные сети Изображение: colah.github.io
- 34. Рекуррентные нейронные сети Изображение : colah.github.io
- 35. Stacked LSTM
- 36. Реккурентные сети • Достоинства • «Бесконечная» память • Эффективные онлайн-алгоритмы вывода • Недостатки • «Холодный» старт • Очень доглое время обучения • Непрозрачность
- 37. Die Hard X черновик сценария
- 38. Заводик работает в штатном режиме
- 39. Заводик работает в штатном режиме
- 40. В системе завелся зловред
- 41. Что-то пошло не так!
- 42. Есть сигнал!
- 45. Оценка качества Шеф, у нас 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: первые жертвы – 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 нужно GPU? • Горизонт прогноза – 5 минут • Количество каналов ~ 600 • Keras 1.1.0 • Theano 0.8.2 • CUDA 8RC Спасибо команде Nvidia!