Евгений Бурнаев, профессор Сколтеха, Центр Сколтеха по научным и инженерным вычислительным технологиям для задач с большими массивами данных
Команда ADASE из Центра Сколтеха по научным и инженерным вычислительным технологиям для задач с большими массивами данных (CDISE) заняла призовое место на хакатоне по анализу данных, посвященном индустриальной безопасности и проводимом «Лабораторией Касперского». Команда ADASE была образована аспирантами Сколтеха (Н. Ключников, И. Назаров, Д. Смоляков), являющимися членами одноименной научной группы ADASE (Advanced Data Analytics in Science and Engineering group), которой руководит проф. Сколтеха Евгений Бурнаев. Научная группа специализируется в разработке методов машинного обучения и их применении для решения задач индустриальной аналитики.
Хакатон такого типа проводился впервые. На очном этапе хакатона участникам предстояло разобраться с атаками на химический завод, проведя детальный анализ данных о технологических процессах (данные работы котроллеров АСУ ТП), полученных методом Industrial DPI (deep package inspection).
Данные имели вид многомерных временных рядов, содержали как стационарные, так и переходные процессы. На таком фоне детектирование атак становится достаточно нетривиальной задачей. Данных для обработки было представлено достаточно много (около 40 ГБ), что добавляло участникам хакатона дополнительных технических трудностей.
С помощью технологий машинного обучения участникам предстояло выявить аномальные отклонения в предоставленных наборах данных, которые могут свидетельствовать о нежелательной активности, и построить модели детектирования атак.
В отборочном туре участвовало более сотни команд, каждая из которых состояла из 2-4 человек, а в финал было отобрано 30 команд.
Евгений Бурнаев: Я и мои коллеги – члены научной группы ADASE, занимаемся разработкой методов машинного обучения и их применением для решения задач индустриальной аналитики. В этом конкурсе для нас особенно ценной была возможность протестировать разработанные нами алгоритмы обнаружения аномалий и сравнить их точность с точностью алгоритмов других участников конкурса. Показанный нами результат – третье место среди 30 предварительно отобранных команд – хорошее достижение, особенно если учесть, что среди наших соперников были коллеги, которые профессионально участвуют в соревнованиях по решению прикладных задач методами машинного обучения.
Никита Ключников: Если же говорить о прикладном значении алгоритмов обнаружения аномалий, то они необходимы не только для обнаружения нежелательной активности и прогнозирования и предупреждения атак, но и для решения задач предсказательного технического обслуживания.
Основная цель предсказательного технического обслуживания состоит в обнаружении нежелательных изменений (аномалий) и прогнозировании поломок в работе сложных инженерных систем (например, двигателей, газотурбинных установок, и т.п.) по данным, собираемым с сенсоров.
В настоящее время мы активно развиваем различные методы обнаружения аномалий и прогнозирования редких событий, а также применяем их для решения прикладных задач из разных областей науки и инженерии.
