ПОСЛЕДНИЕ НОВОСТИ

Машинное обучение помогает защититься от взлома

Исследователи из Швейцарской высшей технической школы Цюриха разработали метод машинного обучения, позволяющий прогнозировать попытки незаконного проникновения в жилые помещения даже в малонаселенных районах. Опираясь на эти прогнозы, полиция сможет более эффективно организовать патрулирование.

(Фото: Швейцарская высшая техническая школа Цюриха)
(Фото: Швейцарская высшая техническая школа Цюриха)

Незаконное проникновение на частную территорию обычно не происходит случайно, в произвольном месте и в произвольное время. На статистику проникновений влияет время года и время суток, местоположение объекта и плотность населения в соответствующем районе. В густонаселенных регионах страны закономерности, вытекающие из статистики по взлому, можно распознать с помощью методов машинного обучения, а затем спрогнозировать риск взлома в том или ином населенном пункте. Таким образом полиция может определить, где находятся «горячие точки», и организовать их патрулирование.

Однако для распознавания таких закономерностей компьютеры должны получить достаточное количество данных, которые часто отсутствуют в малонаселенных сельских районах. Исследователи из Швейцарской высшей технической школы Цюриха (ETH) разработали метод прогнозирования на базе машинного обучения, который позволяет более точно предсказывать попытки взлома даже в малонаселенных регионах.

Ученые обработали данные с помощью нескольких алгоритмов, после чего объединили результаты их обработки. Согласно пресс-релизу ETH, при вводе информации массив данных обрабатывался следующим образом: «Единицы данных, не содержащие информацию о взломе, удалялись случайным образом до тех пор, пока в массиве не появлялось равное количество единиц данных, содержащих и не содержащих информацию о взломе». Этот статистический метод известен как «случайное удаление примеров мажоритарного класса» (Random Undersampling).

Научный сотрудник ETH Кристина Кадар комментирует применение нового метода: «Даже если мы располагаем только несбалансированными данными, этот метод помогает добиться как минимум таких же хороших или, в некоторых случаях, даже лучших результатов, чем при использовании обычных методов прогнозирования в городских районах, где данные отличаются более высокой плотностью и распределяются более равномерно».

Полученные результаты представляют интерес в первую очередь для полиции. Однако, по мнению ETH, этот метод можно использовать и для прогнозирования других рисков, например, рисков здоровью и вероятности вызова скорой медицинской помощи.

Справочник инвестора

В справочнике инвестора содержится информация по основным преимуществам Швейцарии как страны расположения бизнеса, а также по актуальному инвестиционному климату, затратам на производство, налогам, инфраструктуре и новым технологиям, финансированию и правовым аспектам.

Скачать
Поделиться
Как с вами лучше связаться?