Highload++ 2017 завершён!

Профессиональная конференция разработчиков высоконагруженных систем

СКОЛКОВО, Москва 7 и 8 ноября

11-я ежегодная конференция для разработчиков highload-систем, которая соберет   2 700 участников из разных регионов России и мира. Мероприятие направлено на обмен знаниями о технологиях, позволяющих одновременно обслуживать многие тысячи и миллионы пользователей.

Программа охватывает такие аспекты веб-разработок, как архитектуры крупных проектов, базы данных и системы хранения, системное администрирование, нагрузочное тестирование, эксплуатация крупных проектов и другие направления, связанные с высоконагруженными системами.

  • Главная
  • Нейронные сети, искусственный интеллект

Обнаружение аномалий во временных рядах с помощью автоэнкодеров
Нейронные сети, искусственный интеллект

Доклад принят в Программу конференции
Независимый эксперт

В роли независимого консультанта помогает компаниями проверить, насколько ML может улучшить их бизнес-процессы. Проводит онлайн-курсы по программированию на Python, С++ и организации MLOps-процессов.
Был руководителем DS-отдела в Kaspersky и занимался разработкой на C++ в Positive Technologies.
Более 15-ти лет занимается преподавательской деятельностью.

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.

Machine Learning

Другие доклады секции
Нейронные сети, искусственный интеллект

Rambler's Top100