ИБ сервис для анализа рисков
Задача: Разработать веб-сервис для анализа рисков, визуализации и аналитики табличных данных с учетом использования готовых математических моделей.
ИБ
Python
Backend
Характеристики проекта
Длительность - 1 месяц
Команда - 3 человека
Технологии - FastAPI, Postgres, Streamlit
Команда - 3 человека
Технологии - FastAPI, Postgres, Streamlit
Особенности проекта
Заказчик является крупнейшим российским ретейлером, которому для ведения коммерческой деятельности необходимо программное обеспечение для расчета рисков и количества инцидентов. Прежде, клиент использовал Excel в связке с плагином ModelRisk, позволяющим проводить аналитику. Однако это решение было медленным и дорогостоящим, поэтому начался поиск более простой веб-системы.
Решение
Мы предложили разработать продукт с использованием Streamlit. Это библиотека для Python, которая позволяет создавать веб-приложения для машинного обучения, визуализации данных и других задач. Streamlit предлагает простой и интуитивно понятный способ создания пользовательских интерфейсов.
Эта библиотека также позволяет легко отображать данные в удобной и информативной форме, благодаря чему, можно быстро создавать интерактивные дашборды для визуализации данных, что делает процесс анализа данных более доступным и понятным.
Эта библиотека также позволяет легко отображать данные в удобной и информативной форме, благодаря чему, можно быстро создавать интерактивные дашборды для визуализации данных, что делает процесс анализа данных более доступным и понятным.
Анализ рисков
Определившись со стеком разработки, мы перешли к непосредственной реализации. Нашей задачей было создать веб-сервис для вычисления прогнозного количества инцидентов и симуляции данных ПО ModelRisk. При разработке мы опирались на уже готовые математические модели, предоставленные заказчиком, и структуру Excel файла, который клиент использовал для проведения вычислений.
Определяемые параметры в модели вычисляются на основе функций вероятностного распределения. Далее, используя симуляцию Монте-Карло, проводятся симуляции возможных сценариев для неопределённых параметров модели.
Результатом работы модели являются оценка количества инцидентов в годовом и месячном исчислении на будущий период с учётом подбора распределения на основании загруженной статистики инцидентов ИБ.
Определяемые параметры в модели вычисляются на основе функций вероятностного распределения. Далее, используя симуляцию Монте-Карло, проводятся симуляции возможных сценариев для неопределённых параметров модели.
Результатом работы модели являются оценка количества инцидентов в годовом и месячном исчислении на будущий период с учётом подбора распределения на основании загруженной статистики инцидентов ИБ.
Итоги
В конечном итоге, продукт решает даже больше потребностей бизнеса, чем планировалось изначально. После написания документации, содержащей основные команды, подробное описание решения и различные способы взаимодействия с системой, мы передали проект заказчику.
Сейчас сервис функционирует автономно во внутреннем контуре заказчика. Мы продолжаем работать с клиентом, развивая внутреннюю экосистему ИБ сервисов
Похожие проекты
Обсудим проект?
+7 8422 73 22 12
Расскажите о своем проекте – мы его реализуем
Нажимая кнопку отправить, вы соглашаетесь с Политикой обработки персональных данных