О проекте: Мы разрабатываем методы детектирования от составления обучающей выборки и выявление признаков, до реализации и контроля качества на production системах. Разработанные методы далее используются во многих продуктах Лаборатории Касперского непосредственно защищая наших пользователей. С примерами задач команды можно ознакомиться по ссылкам: How to improve SOC analyst efficiency using ML - DataFest. ML & Security track - https://www.youtube.com/watch?v=DPzdb9Uivwc&feature=youtu.be Краткий ликбез по ML метрикам и их связи с бизнес-метриками - LeadDS meetup - https://www.youtube.com/watch?v=pDMgvhsUPJM&feature=youtu.be DeepQuarantine for Suspicious Mail - whitepaper - https://arxiv.org/pdf/2001.04168.pdf Detection is not a classification: review of ML techniques for cybersecurity specs - slides - https://static.ptsecurity.com/phdays/presentations/classifying-or-detecting-machine-learning-methods-in-cybersecurity.pdf Monotonic models for real-time dynamic malware detection - whitepaper - https://openreview.net/pdf?id=rkjatuyvM Чем предстоит заниматься: Классификация исполняемых файлов как по статическим признакам, так и по их поведению; Анализ android/mac файлов; Распознавание вредоносных интернет ресурсов основываясь на статистических данных, графах связей IP адресов; Кластеризация, быстрый поиск похожих вредоносных объектов. Что требуется от вас: Вести DS проекты от начальных до заключительных стадий; Активно участвовать в генерации и проверке гипотез по улучшению качества текущих алгоритмов и экспериментов с новыми подходами; Готовы развивать и обогащать текущий стек технологий на основе python, spark, docker, Azure Devops; Обогащать принятые в команде практики MLOps (Code Review, CI/CD, deployment, monitoring, alerting); Делиться знаниями в форме выступлений и публикаций на профильных конференциях.
Адрес
Москва