L’apprentissage automatique permet de détecter les fuites de données
Table des matières
La science des données est un élément essentiel dans le système de détection de fuites de données de CybelAngel. Nos modèles d’apprentissage automatique protègent les clients contre les fuites de données en renforçant les compétences des analystes de sécurité de CybelAngel. Une solution exclusivement humaine nécessiterait beaucoup de temps pour détecter les fuites réelles issues de tous les faux positifs générés par la croissance exponentielle des données échangées sur le web. Les modèles d’apprentissage automatique efficaces permettent de trier efficacement les alertes entre les faux positifs et les menaces potentielles. Ils réduisent le volume global des alertes que les analystes doivent examiner. Mais comment pouvons-nous entraîner un modèle mathématique à agir comme un humain ? En le formant et en le recyclant. Voyons comment on fait.
Préparer la séance de formation
Chez CybelAngel, nous construisons des modèles pour distinguer les données “ sûres ” des données “ qui ne devraient pas être divulguées ”. C’est une tâche de classification, avec seulement deux classes : la négative “ non critiques ”, ou la positive “ document critique ”.” Avant de commencer la formation proprement dite, nous préparons le dataset. Nous le nettoyons, c'est-à-dire que nous procédons à une déduplication et à un sous-sampling, et voilà, tout est luisant ! Le ensemble de données est ensuite divisé en sous-ensembles de formation, d’essai et de validation, avec toutes les vérifications nécessaires pour les répartir de manière équitable. Nous avons également effectué une exploration des caractéristiques et nous avons choisi les caractéristiques que nous souhaitons utiliser. Nous pouvons maintenant passer à la phase de formation, qui se décline en cinq éléments clés. Ces étapes ne sont pas séquentielles ; vous pouvez ajuster votre modèle à tout moment du processus, à condition de terminer chaque étape.
#1 – Algorithmes de benchmarking
La création d’un modèle d’apprentissage automatique commence par le choix des bons algorithmes. Vous pouvez utiliser les réseaux neuronaux (NN) – mais vous pouvez également utiliser de bons modèles standard. Bien que les NN soient tendance et souvent présentés comme des apprenants plus efficaces, il vaut la peine de les comparer à d’autres, tels que les classificateurs Random Forest (RFC), la régression logistique (logreg) ou même l’algorithme k-nearest neighbors (kNN). Chez CybelAngel, nos scientifiques de données travaillent avec tous ces algorithmes afin d’adapter notre approche aux données. Notre objectif ? L’interprétabilité et la robustesse. C’est très important car nos données changent d’un mois à l’autre !
#2 – Choisir les paramètres hyperparamétriques
La plupart des modèles nécessitent des hyperparamètres pour compléter les algorithmes. Le problème avec la fine-tuning des hyperparamètres est qu’il est facile de tomber dans une sur-ajustement. Un bon exemple est que nous utilisons un RFC pour l’un de nos modèles. Ce modèle est sensible aux Overfitting. Pourquoi ? RFC est une méthode ensemble basée sur des arbres. Vous devez choisir la profondeur des arbres et le nombre de données qu’un seul élément peut contenir. Si vous continuez de diviser les branches jusqu’à ce qu’il ne reste que quelques éléments par branche, vous pouvez être sûr de créer un modèle incapable de généraliser bien les données d’entraînement vers des données non représentées. Notre objectif ? Une bonne adéquation optimale avec une capacité de généralisation.
#3 – Application de la méthode du poids de l’échantillon
Chez CybelAngel, notre objectif de classification est détection des risques, Cela signifie que tous les documents n’ont pas la même importance. Bien que c’est problématique d’avoir une facture en circulation, il pourrait être catastrophique pour votre entreprise de voir les plans de votre siège social vendus sur un forum noir ! La classification de CybelAngel distingue les risques problématiques des autres pouvant causer des dommages importants à votre entreprise. Nous attribuons des poids de données différents aux instances d’apprentissage : plus la violation de données est grave, plus il importe que l’algorithme apprenne à la classifier correctement. Notre objectif : attribuer un coefficient à chaque type de données, en fonction de leur niveau de gravité.
#4 – L’utilisation des courbes d’apprentissage
Il y a toujours des discussions sur la question de savoir quelle quantité de données est suffisante. Combien de données suffisent-elles pour garantir la qualité et la robustesse du modèle ? Nous avons des amis dans ce domaine. courbes d'apprentissage! Les courbes d’apprentissage représentent les performances du modèle sur une métrique spécifique en fonction de la taille de votre ensemble de données. Les performances sur l’ensemble d’entraînement augmentent, tandis que celles sur l’ensemble d’apprentissage diminuent, ce qui représente la généralisation de l’apprentissage. Une fois que les performances sur l’ensemble d’entraînement cessent de s’améliorer et s’approchent de celles de l’ensemble d’entraînement, c’est fini ! On peut dire que nous disposons de suffisamment d’informations pour construire un modèle général. Les courbes d’apprentissage indiquent également si vous êtes confrontés à un problème d’overfitting ou de sous-adaptation. Elles vous indiquent “ à quel point vous apprenez ” — c’est-à-dire si votre modèle est prêt à être utilisé en production. Si vous souffrez d’overfitting, vous voudrez peut-être revenir à la finition des paramètres hyperparamétriques.
#5 – Reprennent le travail des modèles d’apprentissage automatique
Les modèles ne restent jamais au niveau optimal pendant longtemps. Les données et le comportement changent constamment. L’apprentissage en ligne est une solution pour rester à l’avant-garde, afin de maintenir la cohérence de votre modèle entre ce sur quoi il a été formé et ce qu’il traite. L’idée est de recevoir des commentaires sur la prédiction du modèle et de lui faire apprendre à partir de ces informations. Chez CybelAngel, l’équipe de Data Science travaille main dans la main avec les analystes informatiques de l’entreprise. Le dernier filtre permet de valider les modèles grâce à l’expertise humaine. Les analystes informatiques classent les cas, tandis que les Data Scientists utilisent les retours d’information pour actualiser le modèle et le maintenir à jour. Voici la manière dont nous formons les modèles d’apprentissage automatique chez CybelAngel afin qu’ils reproduisent le comportement d’un analyste cyberrisques en cas de fuite de données. Cependant, les modèles d’apprentissage automatique ne remplaceront pas l’enquête humaine. Ils ne peuvent que l’améliorer. En repérant des milliards de faux négatifs, ces modèles permettent aux analystes cyberrisques de concentrer leur temps et leurs compétences sur les menaces critiques plutôt que sur les faux positifs. C’est cette combinaison unique de Machine Learning et d’Expertise humaine qui permet à CybelAngel de fournir une couverture complète, évolutive et exploitable pour nos entreprises à travers le monde..
À propos de l'auteur
