Intelligenza Artificiale per la sicurezza

I due approcci: classificazione e rilevamento anomalie

La prima scelta: il tuo problema di sicurezza si risolve etichettando (classificazione) o imparando il "normale" (anomalie)?

La lettura vocale non è disponibile su questo browser.

Prima del codice, una scelta decide tutto: il tuo problema si affronta con la classificazione o con il rilevamento di anomalie?

📖 Le parole in breve
Classificazione
il modello impara da esempi già etichettati (es. malware/pulito) e assegna un'etichetta ai nuovi.
Rilevamento anomalie
il modello impara solo cos'è "normale" e segnala ciò che se ne discosta.

Classificazione

Impari da esempi di entrambe le classi (malware e file puliti, spam e email legittime). Adatto quando hai esempi etichettati di attacchi.

from sklearn.naive_bayes import MultinomialNB\nmodello = MultinomialNB()\nmodello.fit(X_train, y_train)   # y = 0 legittima, 1 attacco\npredizioni = modello.predict(X_test)

Rilevamento anomalie

Impari solo il traffico normale e segnali ciò che devia. Utile quando gli attacchi sono rari o sconosciuti (non hai esempi).

from sklearn.ensemble import IsolationForest\nmodello = IsolationForest(contamination=0.01)\nmodello.fit(X_normale)          # solo dati "normali"\n# -1 = anomalia, 1 = normale\nesito = modello.predict(X_nuovo)

Quale scegliere

SituazioneApproccio
Ho esempi etichettati di attacchiClassificazione
Gli attacchi sono rari o nuoviRilevamento anomalie
Devo distinguere spam/malware notiClassificazione
Devo accorgermi di "qualcosa di strano"Rilevamento anomalie
Livio Bollini
Walter Livio Bollini

Matematico & Informatico · Intelligenza Artificiale · Sviluppo Web

Articoli correlati