LogBERT Anomaly Detector
LogBERT — ناهنجاری دنباله لاگ امنیتی — تشخیص ناهنجاری دنباله لاگ endpoint با مدل خودنظارتی، LSTM-AE و خوشهبندی UMAP/HDBSCAN.
این صفحه دموی POC است، نه سامانه تحویلی. خدمت متناظر: امنیت سایبری · هاب دموها.
دموی نمونه تعاملیبرای مدیر: نتیجه کسبوکار
برچسبزنی دستی لاگ گران است؛ زنجیره حمله ظریف در نویز session گم میشود.
آموزش بدون برچسب با Masked LM؛ ۶ مدل رأی میدهند؛ timeline تعاملی برای تحلیلگر.
- Session recall ≥ ۰.۷۰
- PR-AUC ≥ ۰.۷۵
- ۶ مدل مقایسه
- < ۲ s pipeline CPU
«حالا session مشکوک را روی timeline میبینیم — نه هزاران event جدا.»
مستندات عمومی
چه میکند؟
LogBERT Anomaly Detector یکی از محصولات پورتفولیوی هوش مصنوعی آریا اِیآی است که برای تصمیمگیری عملیاتی سازمانهای ایرانی و بینالمللی طراحی شده. نسخه عمومی روی Hugging Face یک دموی نمونه است؛ نسخه تولید با یکپارچهسازی داده، SSO و audit trail استقرار مییابد.
مخاطب غیرفنی میتواند KPI قبل/بعد، کاربرد صنعت و مسیر پایلوت را ببیند؛ مخاطب فنی pipeline، متریک قابل بازتولید و لینک Space/Model/Dataset را دنبال میکند.
درخواست پایلوت از طریق فرم تماس سایت با ذکر علاقه به LogBERT Anomaly Detector ثبت میشود تا محدوده داده، قیود و معیار موفقیت مشخص گردد.
چه کسی از آن استفاده میکند؟
مدیران عملیات، CISO، برنامهریزان تولید، لجستیک، مالی و تیمهای مهندسی که باید تصمیم را هم برای هیئتمدیره و هم برای اجرای فنی توضیح دهند.
خروجی دمو «نمونه تعاملی» است؛ آپلود زنده فایل سازمانی روی Space عمومی توصیه نمیشود.
کاربرد در صنایع
بانک، بیمه و فینتک
کاهش ریسک تقلب، فیشینگ و نفوذ در کانالهای دیجیتال و تسریع triage SOC. شکار تهدید در لاگ Windows/Linux بدون نیاز به labeling گسترده.
نفت، گاز و انرژی
پایش تهدید IT/OT، اولویتبندی آسیبپذیری و پاسخ حادثه در تأسیسات حیاتی.
مخابرات و مراکز داده
طبقهبندی ترافیک، شکار تهدید و کاهش alert fatigue در شبکه بزرگ.
دولت و زیرساخت حیاتی
همبستگی IOC، پوشش MITRE و گزارشدهی برای تیمهای SOC ملی و سازمانی.
بهداشت و درمان
محافظت از داده بیمار، ایمیل و endpoint بدون افشای PII در دمو عمومی.
خردهفروشی و تجارت الکترونیک
تشخیص کمپین فیشینگ، بدافزار و سوءاستفاده از وب/اپلیکیشن فروش.
برای مهندس: Pipeline و معماری
Event logs → parse → sessionize → IF/OCSVM/LOF/PCA/LSTM-AE/Transformer MLM → UMAP/HDBSCAN → timeline
معماری مرجع: Event logs → parse → sessionize → IF/OCSVM/LOF/PCA/LSTM-AE/Transformer MLM → UMAP/HDBSCAN → timeline. اجزا روی CPU قابل اجرا هستند تا دمو و استقرار اولیه بدون GPU اجباری باشد.
خروجیها شامل امتیاز/برنامه، توضیحپذیری و ردپای تصمیم برای بازبینی انسانی است. آموزش و ارزیابی از corpus مستند پروژه پیروی میکند.
برای تولید: Docker، متغیر محیطی، و اتصال به سامانه موجود (ERP، SIEM، WMS، APS) طبق معماری هر repo انجام میشود.
پشته فنی
- Python
- scikit-learn
- LightGBM / PyTorch
- FastAPI
- Gradio
- Docker
متریکهای قابل بازتولید
| بنچمارک | جزئیات | نتیجه |
|---|---|---|
| Session recall | anomalous sessions | ≥ 0.70 |
| PR-AUC | held-out | ≥ 0.75 |
| Models | classical + deep | 6 |
| Avg latency | CPU pipeline | < 2s |
سوالات پرتکرار
LogBERT Anomaly Detector چه مسئلهای را حل میکند؟
LogBERT Anomaly Detector برای «embedding رویداد لاگ برای جستجو و خوشهبندی هشدار» است. تشخیص ناهنجاری دنباله لاگ endpoint با مدل خودنظارتی، LSTM-AE و خوشهبندی UMAP/HDBSCAN. این صفحه دموی POC است نه سامانه تحویلی.
ورودی و خروجی LogBERT Anomaly Detector چیست؟
ورودی: متن یا توکن رویداد. خروجی قابل نقلقول: بردار برای ANN و خوشه. متریک Hub بدون حجم نمونه سازمان SLA نیست.
آیا Space عمومی LogBERT Anomaly Detector جایگزین استقرار سازمانی است؟
خیر. Hugging Face برای ارزیابی است. شکست رایج: بردار بیمعنا روی لاگ فارسی سفارشی. production یعنی on-prem یا VPC و کنترل دسترسی.
چطور پایلوت را شروع کنیم؟
فرم تماس خانه (سازمان، صنعت، شرح مسئله) را بفرستید. قیمت در صفحه دمو اعلام نمیشود.