Positive Events dan repost
Как ML-модели помогают аналитикам не утонуть в потоке событий: опыт Позитива
Ежесекундно аналитикам приходится обрабатывать десятки тысяч событий безопасности. И относительно каждого надо мгновенно решить: инцидент это или легитимная деятельность.
Как с этим вообще можно справиться? Расскажет на конференции «Я про бэкэнд» Алина Шестакова из команды MaxPatrol SIEM. Если коротко: ML-модели фильтруют и приоритизируют поток, а наша LLM-платформа (Positive LLM) выносит финальный вердикт. Все асинхронно, через стриминг, под SLA. Никакой магии — только инженерия.
Впрочем, не все так просто. Отдельно и честно обсудим самую болезненную часть: поведение системы при рестарте и масштабировании stateful-джоб под нагрузкой. Эволюция стейт-бэкенда от локального RocksDB к внешнему YugaByte, Bloom-фильтр, кэши и key-group-aware прогрев — и как все это удерживает latency.
Приходите или смотрите онлайн, если интересно, как реально работает highload-обработка с ML и LLM.
#PositiveЭксперты
Ежесекундно аналитикам приходится обрабатывать десятки тысяч событий безопасности. И относительно каждого надо мгновенно решить: инцидент это или легитимная деятельность.
Как с этим вообще можно справиться? Расскажет на конференции «Я про бэкэнд» Алина Шестакова из команды MaxPatrol SIEM. Если коротко: ML-модели фильтруют и приоритизируют поток, а наша LLM-платформа (Positive LLM) выносит финальный вердикт. Все асинхронно, через стриминг, под SLA. Никакой магии — только инженерия.
Впрочем, не все так просто. Отдельно и честно обсудим самую болезненную часть: поведение системы при рестарте и масштабировании stateful-джоб под нагрузкой. Эволюция стейт-бэкенда от локального RocksDB к внешнему YugaByte, Bloom-фильтр, кэши и key-group-aware прогрев — и как все это удерживает latency.
Приходите или смотрите онлайн, если интересно, как реально работает highload-обработка с ML и LLM.
#PositiveЭксперты