SecuML https://anssi-fr.github.io/SecuML/
SecuML — это инструмент Python, целью которого является содействие использованию машинного обучения в компьютерной безопасности. Распространяется по лицензии GPL2+.
Он позволяет экспертам по безопасности легко обучать модели обнаружения и имеет пользовательский веб-интерфейс для визуализации результатов и взаимодействия с моделями. SecuML можно применить к любой проблеме обнаружения. Для этого требуются входные числовые характеристики, представляющие каждый экземпляр. Он поддерживает бинарные метки (злонамеренные и безопасные) и категориальные метки, которые представляют семейства вредоносного или доброкачественного поведения.
Преимущества SecuML
SecuML использует scikit-learn для обучения моделей машинного обучения и предлагает дополнительные функции:
- Веб-интерфейс пользователя
диагностика и взаимодействие с моделями машинного обучения (активное обучение, обнаружение редких категорий) - Скройте некоторые механизмы машинного обучения
автоматизация загрузки данных, стандартизация функций и поиск лучших гиперпараметров
Что вы можете сделать с SecuML
- Обучение и диагностика модели обнаружения перед развертыванием с помощью DIADEM
- Аннотирование набора данных с уменьшенной рабочей нагрузкой с помощью ILAB
- Интерактивное исследование набора данных с обнаружением редких категорий
- Кластеризация
- Проекция
- Вычисление описательной статистики каждого объекта
Более подробную информацию смотрите в документации sphinx.
Статьи
- Бонон, Анаэль и Пьер Шиффлие. «Машинное обучение для систем обнаружения компьютерной безопасности: практические отзывы и решения» Встреча по приложениям безопасности компьютеров и электроники (C&ESAR 2018)
- Бонон, Анаэль, Пьер Шиффлие и Фрэнсис Бах. «Комплексное активное обучение для экспертов по компьютерной безопасности».
Семинар KDD по интерактивному исследованию и аналитике данных (IDEA 2018). Расширенная версия AICS 2018. - Бонон, Анаэль, Пьер Шиффлие и Фрэнсис Бах. «Комплексное активное обучение для экспертов по компьютерной безопасности».
Семинар AAAI по искусственному интеллекту для компьютерной безопасности (AICS 2018). - Бонон, Анаэль, Пьер Шиффлие и Фрэнсис Бах. «ILAB: стратегия интерактивной маркировки для обнаружения вторжений».
Международный симпозиум по исследованиям в области атак, вторжений и защиты (RAID 2017). - [ФРАНЦУЗСКИЙ] Боннетон, Анаэль и Антуан Юссон. «Машинное обучение противостоит ограничениям в работе систем обнаружения».
Симпозиум по безопасности информационных технологий и коммуникаций (SSTIC 2017).
Кандидатская диссертация
- Бонон, Анаэль. «Обучение под руководством эксперта для систем обнаружения компьютерной безопасности».
доктор философии диссертация, Высшая нормальная школа (2018).
Презентации
- [ФРАНЦУЗСКИЙ] Бонон, Анаэль. «Применение машинного обучения для обнаружения вторжений».
Ежегодный форум CERT-IST (CERT-IST 2017). - Боннетон, Анаэль. «Машинное обучение для экспертов по компьютерной безопасности с использованием Python и scikit-learn».
ПиПариж 2017.
Авторы
