Presentacin de PowerPoint

1
(No Transcript)
2
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
Seminario de Sistemas InteligentesMarzo 9 de 2005
Juan David Cruz Gómez Germán A. Meneses Ríos
3

• Introducción
• Objetivos
• Alcance
• Clasificación
• Conclusiones

4
1. Introducción
5
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
1. Introducción
Existen diferentes estrategias para resolver el
problema de detección de anomalías
6
2. Objetivos
7
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
2. Objetivos
Objetivo generalImplementar un framework para
implementar algoritmos de detección de anomalías
utilizando sistemas inmunológicos artificiales y
métodos estadísticos.
8
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
2. Objetivos

• Objetivos específicos
• Identificar las diferentes estrategias existentes
  para resolver el problema de detección de
  anomalías.
• Extraer las caraterísticas comunes de las
  diferentes estrategias para diseñar la
  herramienta.
• Implementar dos experimentos de detección de
  anomalías

9
3. Alcance
10
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
3. Alcance

• La idea del framework es permitir la
  implementación de las tres caraterísticas comunes
  de las diferentes estrategias existentes
• Carga y/o pre-procesamiento de datos
• Entrenamiento y generación de un modelo de
  detección
• Producción y presentación de estadísticas y
  resultados

11
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
3. Alcance
La idea de la carga y/o pre-procesamiento de
datos, es interpretar los datos desde su fuente
original y cargarlos en una estructura que le
permita al algoritmo utilizarlos.
12
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
3. Alcance

• En la parte de entrenamiento, se toma un método,
  un conjunto de parámetros y un conjunto de datos
  de entrenamiento, y generación de un modelo de
  detección
• El modelo de detección es un algoritmo y los
  parámetros que hicieron que su rendimiento fuera
  el mejor con los datos de entrenamiento

13
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
3. Alcance

• En las fases de entrenamiento y de prueba, se
  generan resultados resumidos en matrices de
  confusión.
• A partir de estas se pueden generar tasas de
  detección y gráficas como curvas ROC

14
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
3. Alcance
15
4. Clasificación
16
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
4. Clasificación

• Dadas las caraterísticas de las diferentes
  técnicas, esta se pueden clasificar así
• Por el método de entrenamiento
• Por los datos que utiliza
• Por el método de detección
• La clasificación no es excluyente

17
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
4. Clasificación

• Dentro del método de entrenamiento existen dos
  sub-clases
• Supervisado (RNA)
• No supervisado (SOM, SVM)

18
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
4. Clasificación

• La clasificación según el tipo de datos se
  refiere a la forma en que los datos son generados
  y como un método dado los espera.
• Muestras independientes (exámenes médicos de
  diferentes pacientes)
• Muestras dependientes (tráfico de redes)

19
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
4. Clasificación

• La clasificación según el método de detección se
  refiere a la forma en que son tratados los
  conjuntos de datos para relizar la clasificación.
• Métodos estadísticos (Basados en el control
  estadístico de procesos, HMM)
• Métodos bio-inspirados (RNA, SIA)
• Otros métodos (SVM)

20
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
4. Clasificación
21
5. Conclusiones
22
FRAMEWORK PARA IMPLEMENTAR ALGORITMOS DE
DETECCIÓN DE ANOMALÍAS
5. Conclusiones

• Aunque existen diferentes estrategias para
  resolver el problema de detección de anomalías,
  estas pueden ser categorizadas ?

23
GRACIAS