Wykrywanie ataków та виявлення аномалій

🎓 Metody

Metody statystyczne

Z-score: Odległość od średniej w standardowych odchyleniach.

IQR: Zasięg kwartowy dla ataków na brzegowe wartości.

Test Grubba: Statystyczny test do wykrywania ataków na brzegowe wartości.

Isolation Forest

Koncept: Izolacja nieprawidłowości poprzez losowe podziały.

Wady i zalety: Efektywna, skalowalna.

Zastosowania: Wysokie wymiarowości danych.

Autoencody

Koncept: Błąd rekonstrukcji do wykrywania nieprawidłowości.

Wady i zalety: Dla złożonych wzorców.

Zastosowania: Autoenkodery w uczeniu maszynowym dla wykrywania nieprawidłowości.

🔧 Zawodowe metody

Jednoklasowy SVM

Koncept: Wykrywa granicę danych normalnych.

Wady: Dla nieciągłych wzorców.

Zastosowania: Detekcja nowotworowości.

Local Outlier Factor (LOF)

Koncept: Gęstość lokalna do wykrywania odstających elementów.

Wady: Dla odstających elementów lokalnych.

Zastosowania: Detekcja oparta na klasteryzacji.

DBSCAN

Koncept: Klasterowanie z wykrywaniem szumu.

Wady: Wykrywa odstające elementy jako szum.

Zastosowania: Detekcja oparta na gęstości.

📚 Praktyczne przykłady

Przykład 1: Izolacyjny las dla detekcji fałszu

Dane: Przygotuj dane transakcyjne.

Izolacyjny las: Trening izolacyjnego lasu.

Detekcja: Znajdź nieprawidłowe transakcje.

Weryfikacja: Sprawdź przeciwko znanej wadliwej sytuacjom.

Przykład 2: Autoenkoder do detekcji anomalii

Trening: Trening autoenkodera na normalnych danych.

Pogranicze: Określ granice dla błędu rekonstrukcyjnego.

Detekcja: Znajdź anomalie poprzez wysoki błąd.

Spróbuj to na żywo

Wszystko powyżej działa w Twojej przeglądarce — otwórz Anomaly Detection Point Cloud i zmieniaj parametry podczas jego działania. Nie ma nic do zainstalowania, nie jest wysyłane żadne dane, cała modelika istnieje tylko w jednej karcie.