Machine learning para proyectos de seguridad

En esta charla se explicarán los conceptos sobre el machine learning aplicados a la ciberseguridad a través de diferentes casos de uso y ejemplos. Además, se explicarán los principales algoritmos que podemos utilizar para comenzar a desarrollar sistemas de seguridad utilizando distintas técnicas como regresión, árboles de decisión y clustering. Finalmente se mostrará un caso de estudio aplicado a la detección de malware.

Transcript

1. Machine learning para
   proyectos de seguridad
   José Manuel Ortega @jmortegac
   Madrid | September 24 - 25, 2019
   

   View Slide

2. About me
   

   View Slide

3. About me
   

   View Slide

4. Agenda
   ●
   ●
   ●
   ●
   ●
   

   View Slide

5. AI vs ML
   

   View Slide

6. Tipos de ML
   

   View Slide

7. Tipos de ML
   

   View Slide

8. Aprendizaje supervisado
   

   View Slide

9. Aprendizaje no supervisado
   

   View Slide

10. ML en seguridad
    

    View Slide

11. Proceso de ML
    

    View Slide

12. Construir un modelo
    ●
    ●
    ●
    ●
    

    View Slide

13. Extracción características
    

    View Slide

14. python Machine learning
    

    View Slide

15. Sklearn
    

    View Slide

16. Selección de características
    

    View Slide

17. Clustering
    

    View Slide

18. Clustering Sklearn
    

    View Slide

19. Árboles de decisión
    

    View Slide

20. Sklearn
    ●
    ○ Elegir el modelo.
    ○ Seleccionar los hiperparámetros.
    ○ Extraer la matriz de características y vector de
    predicción.
    ○ Ajustar el modelo a los datos (entrenamiento).
    ○ Predecir etiquetas para datos desconocidos.
    

    View Slide

21. Módulos python
    ●
    ●
    ●
    ●
    

    View Slide

22. Entrenar nuestro modelo
    ●
    ●
    ●
    ●
    

    View Slide

23. Evaluar nuestro modelo
    ●
    ●
    ●
    

    View Slide

24. Evaluar nuestro modelo
    ●
    ●
    

    View Slide

25. Matriz de confusión
    

    View Slide

26. Métricas
    

    View Slide

27. Sobreentrenamiento
    ● Para evitar el sobreajuste se divide
    el dataset en dos partes:
    ○ Datos de entrenamiento
    ○ Datos de evaluación
    ● K-fold cross validation
    

    View Slide

28. Cross-validation
    

    View Slide

29. Detección de spam
    

    View Slide

30. Detección de spam
    

    View Slide

31. Detección de spam
    

    View Slide

32. Detección de spam
    

    View Slide

33. Detección de spam
    

    View Slide

34. Detección de malware
    

    View Slide

35. Detección de malware
    

    View Slide

36. Detección de malware
    

    View Slide

37. Detección de malware
    

    View Slide

38. Detección de malware
    

    View Slide

39. Detección de malware
    

    View Slide

40. Detección de malware
    

    View Slide

41. Resources
    

    View Slide

42. WAF
    

    View Slide

43. WAF
    

    View Slide

44. Deep Learning Frameworks
    

    View Slide

45. Deep Learning Frameworks
    

    View Slide

46. Deep Learning
    

    View Slide

47. Resources
    

    View Slide

48. Resources
    

    View Slide

49. Resources
    

    View Slide

50. Resources
    

    View Slide

51. Resources
    ● https://towardsdatascience.com/machine-learning-for-
    cybersecurity-101-7822b802790b
    

    View Slide