Slides de la charla que ofrecimos Cesar Gallego (@CesarGallegoR) y yo en el track de SecDevOps de RootedCon 2018, presentando nuestro proyecto de detección de anomalías en logs. El abstract de la charla es el siguiente: El análisis de sentimiento es una técnica de Machine Learning muy utilizada para analizar comentarios en redes sociales, pero hay lagunas que impiden su aplicación directa en casos de uso puramente técnicos: Las máquinas escriben logs, pero no tienen "sentimientos". Nuestra propuesta parte de la siguiente pregunta: ¿Podemos enseñar a una máquina a reconocer esa sensación de "terror" que tenemos al leer ciertas cosas en los logs?

1. Fear will keep the
local systems online
César Gallego (@CesarGallegoR)
Daniel Hernández (@deccar)

2. César Gallego
cesar.gallego@beeva.com | @CesarGallegoR
Arquitecto en
Somos una empresa de tecnología e
innovación del Grupo BBVA.
Proporcionamos servicios y soluciones Cloud
Computing, Big Data y Machine Learning.
daniel.hernandez@i4s.com | @deccar
Desarrollamos productos y servicios de
seguridad IT en el Grupo BBVA.
Somos especialistas en Ingeniería e innovación
en Seguridad.
Daniel Hernández
SecOps & Data Engineer en

3. Detección de anomalías en logs
mediante análisis de sentimiento
Fear will keep the
local systems online

5. ® Tesla

8. Monitorización hoy

9. Monitorización hoy

10. Monitorización hoy

11. Monitorización hoy

12. Monitorización hoy

13. Monitorización hoy

14. Monitorización hoy

15. Monitorización hoy

16. Monitorización hoy

17. Monitorización hoy

19. El modelo del miedo

21. Modelando el miedo

22. Kill the hype

23. Captura de datos

24. Captura de datos

25. Modelando el miedo (I): La Sorpresa

26. Aviso: mates (pero muy pocas)

27. Ley de Benford

28. Ley de Benford

29. Ley de Benford

30. Ley de Benford

31. Etl - Conteo caracteres

32. Espacio de caracteres

33. Modelando el miedo (II): Sentimiento

34. Sentimiento

35. ETL - Sentimiento

36. Análisis de sentimiento

37. Aproximación

38. Evaluación

39. Evaluación

40. Evaluación

41. Producción

42. Demo Time!

43. ● Mejores modelos de detección de infrecuencia
● Vocabulario del mal usando datasets etiquetados
○ CSIC, etc.
● Contextualización del miedo
○ Seguridad, Funcional, QA, etc.
● Optimizaciones con numba, cpickle...
Next...

44. Fork us!
https://github.com/BBVA/SALD
● @deccar
● @CesarGallego
Blog
https://www.bbva.com/es/destacados/bbva-labs/
Stay Tuned!

45. ¡Gracias!