Cyber Incident Forecasting
پیشبینی حجم حوادث امنیتی SOC — پیشبینی حجم هشدار و حادثه SOC با فاصله اطمینان، مدلهای آماری/ML و توصیه شیفت.
Interactive Sample Demoبرای مدیر: نتیجه کسبوکار
شیفت SOC در روز انتشار محصول یا کمپین فیشینگ غافلگیر میشد.
پیشبینی ساعتی/روزانه با فاصله اطمینان؛ سناریوی انتشار ۲.۱× و بهینهسازی تعطیلات.
- ۸۷۶۰ رکورد ساعتی
- walk-forward validation
- PIC ۸۰٪/۹۵٪
- ۶ تب داشبورد
«برای روز انتشار، بافر ۲× را از قبل در شیفت میگذاریم.»
مستندات عمومی
چه میکند؟
Cyber Incident Forecasting 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 Cyber Incident Forecasting 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. برنامهریزی نیروی SOC برای بانک، تلکو و MSSP.
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
Hourly SOC metrics → EDA/ACF → ARIMA/SARIMA/VAR + RF/XGBoost/LightGBM → walk-forward → staffing recs
معماری مرجع: Hourly SOC metrics → EDA/ACF → ARIMA/SARIMA/VAR + RF/XGBoost/LightGBM → walk-forward → staffing recs. 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 |
|---|---|---|
| Corpus | hourly SOC | 8,760 rows |
| Validation | chronological | walk-forward |
| ML | RF / XGB / LGBM | included |
| Intervals | 80% / 95% PIC | yes |
سوالات پرتکرار
Cyber Incident Forecasting چیست و چه مسئلهای را حل میکند؟
پیشبینی حجم هشدار و حادثه SOC با فاصله اطمینان، مدلهای آماری/ML و توصیه شیفت.
آیا میتوان داده واقعی سازمان را در دمو عمومی وارد کرد؟
خیر. دمو عمومی برای نمونههای ازپیشمحاسبهشده یا داده ترکیبی است. داده production باید در استقرار on-prem یا VPC با کنترل دسترسی وارد شود.
آیا این محصول جایگزین سامانه فعلی میشود؟
ابزار کمکی دفاعی است و جایگزین SIEM، SOAR، آنتیویروس سازمانی یا تحلیلگر انسانی نیست. لاگ، فایل یا کد production را در دمو عمومی آپلود نکنید. Space فعلی نمونه تعاملی است.
متریکهای صفحه از کجا آمدهاند؟
از README و eval_results هر پروژه روی Hugging Face / repo داخلی؛ اعداد بنچمارک ترکیبی را با داده سازمان خود در پایلوت بازسنجی کنید.
لینکهای Hugging Face
مدل مرتبط
درخواست پایلوت
برای استقرار on-prem، یکپارچهسازی با سامانههای موجود یا fine-tune روی داده سازمان خود تماس بگیرید.