SecuML https://anssi-fr.github.io/SecuML/
SecuML es una herramienta Python que tiene como objetivo fomentar el uso del Machine Learning en Seguridad Informática. Se distribuye bajo la licencia GPL2+.
Permite a los expertos en seguridad entrenar modelos de detección fácilmente y viene con una interfaz de usuario web para visualizar los resultados e interactuar con los modelos. SecuML se puede aplicar a cualquier problema de detección. Requiere como entrada características numéricas que representen cada instancia. Admite etiquetas binarias (maliciosas versus benignas) y etiquetas categóricas que representan familias de comportamientos maliciosos o benignos.
Beneficios de SecuML
SecuML se basa en scikit-learn para entrenar los modelos de aprendizaje automático y ofrece funciones adicionales:
- interfaz de usuario web
diagnóstico e interacción con modelos de Machine Learning (aprendizaje activo, detección de categorías raras) - Ocultar parte de la maquinaria de Machine Learning
automatización de la carga de datos, estandarización de funciones y búsqueda de los mejores hiperparámetros
Qué puedes hacer con SecuML
- Entrenamiento y diagnóstico de un modelo de detección antes de la implementación con DIADEM
- Anotar un conjunto de datos con una carga de trabajo reducida con ILAB
- Explorar un conjunto de datos de forma interactiva con detección de categorías raras
- Agrupación
- Proyección
- Calcular estadísticas descriptivas de cada característica.
Consulte la documentación de la esfinge para obtener más detalles.
Papeles
- Beaugnon, Anaël y Pierre Chifflier. "Aprendizaje automático para sistemas de detección de seguridad informática: soluciones y comentarios prácticos" Cita sobre aplicaciones de seguridad informática y electrónica (C&ESAR 2018)
- Beaugnon, Anaël, Pierre Chifflier y Francis Bach. "Aprendizaje activo de un extremo a otro para expertos en seguridad informática".
Taller KDD sobre exploración y análisis de datos interactivos (IDEA 2018). Versión extendida de AICS 2018. - Beaugnon, Anaël, Pierre Chifflier y Francis Bach. "Aprendizaje activo de un extremo a otro para expertos en seguridad informática".
Taller AAAI sobre Inteligencia Artificial para la Seguridad Informática (AICS 2018). - Beaugnon, Anaël, Pierre Chifflier y Francis Bach. "ILAB: una estrategia de etiquetado interactivo para la detección de intrusiones".
Simposio Internacional de Investigación en Ataques, Intrusiones y Defensas (RAID 2017). - [FRANCÉS] Bonneton, Anaël y Antoine Husson. "El aprendizaje automático se enfrenta a las restricciones operativas de los sistemas de detección".
Simposio sobre la seguridad de las tecnologías de la información y las comunicaciones (SSTIC 2017).
Tesis doctoral
- Beaugnon, Anaël. "Aprendizaje supervisado por expertos en sistemas de detección de seguridad informática".
Doctor en Filosofía. tesis, École Normale Superieure (2018)
Presentaciones
- [FRANCÉS] Beaugnon, Anaël. "Aplicar el aprendizaje automático de manera relevante a la detección de intrusiones".
Foro anual del CERT-IST (CERT-IST 2017). - Bonneton, Anaël. "Aprendizaje automático para expertos en seguridad informática que utilizan Python y scikit-learn".
PyParis 2017.
Autores
