Anomalijų aptikimas remiantis paketų ir srauto analize interneto mainų kompiuteriniuose tinkluose

Kapustin, Vsevolod

Use this url to cite publication: https://hdl.handle.net/20.500.14911/212338

Anomalijų aptikimas remiantis paketų ir srauto analize interneto mainų kompiuteriniuose tinkluose

Details

Publication Type (CRIS)

Straipsnis kitame recenzuojamame leidinyje / Article in other peer-reviewed edition (S5)

Publication Type (eLABa)

Straipsnis kitame recenzuotame leidinyje / Article in other peer-reviewed publication (S4)

VILNIUS TECH Research Priorities and Topics

Informacijos ir informacinių technologijų sauga / Information and Information Technologies Security (IK0101)

Lithuanian Intelligent Specialization

Transportas, logistika ir informacinės ir ryšių technologijos (IRT) / Transport, logistic and information and communication technologies (L106)

Author(s)

Author	Affiliation
Kapustin, Vsevolod	Kompiuterijos ir ryšių technologijų katedra / Department of Computer Science and Communications Technologies (0559)

Title

Anomalijų aptikimas remiantis paketų ir srauto analize interneto mainų kompiuteriniuose tinkluose

[lt]

Vsevolod Kapustin

Title in other language

Internet exchange network anomalies detection using packet and flow analysis

[en]

Is part of

Inžinerinės ir edukacinės technologijos : mokslinių straipsnių žurnalas = Engineering and educational technologies : scientific journal

Published In

Year	Issue	Start Page	End Page
2023	2	141	159

Publisher

Kaunas : VšĮ Kauno technikos kolegija

Extent

p. 141-159

URI

URI	Access Rights
https://hdl.handle.net/20.500.14911/212338
https://www.ktk.lt/uploads/840c8677-f7e8-404c-bca3-1c6d37e33033/Zurnalas_2023_2.pdf	Viso teksto dokumentas (atviroji prieiga) / Full Text Document (Open Access)
DOI
DOI
DOI
DOI
DOI
DOI
DOI
DOI
DOI
DOI
DOI
2023-12-08
2023-12-08
2023-11-16

Cited references

Science / Art Area

Technologijos mokslai / Technological sciences (T)

Field of Science / Art

Elektros ir elektronikos inžinerija / Electrical and electronic engineering (T001)

Keywords (lt)

Keywords (en)

Abstract (lt)

Mokslinio tyrimo tikslas – ištirti mainų kompiuteriniuose tinkluose kylančių anomalijų aptikimo, naudojant mašininį mokymą, galimybes bei modelių efektyvumą. Tyrimui naudojamas virtualizuotas kompiuterinio tinklo prototipas, paremtas interneto mainų (angl. Internet Exchange Networks) kompiuterinių tinklų struktūra. Pagrindinis tyrimo objektas – dinaminio maršrutų apsikeitimo protokolas BGP (angl. Border Gateway Protocol). Tyrimo prototipui sudaryti, naudojamas kompiuterinio tinklo programinės įrangos emuliavimo įrankis GNS3. Maršrutų duomenų bazės aplikacija „Bird“ sudiegiama į „Debian“ operacinės sistemos pagrindu veikiančią virtualią mašiną. Surenkami duomenų rinkiniai, susidedantys iš BGP protokolo srauto bei atskirų paketų atributų. Duomenų rinkiniai paruošti mašininio mokymo modelio mokymui ir modeliavimui. Sudaryti atraminių vektorių mašinos (angl. Support Vector Machine) ir ilgasis trumpos atminties (angl. Long Shor-Term Memory) mašininio mokymo modeliai. Modeliai atskirai pritaikomi duomenų rinkiniams. Tyrimo metu buvo nustatyta, kad geriausi rezultatai gaunami taikant SVM modelį paketų analizės duomenų rinkinio atžvilgiu.

Abstract (en)

Research goal directed to analysis of internet exchange network anomalies and their detection using machine learning techniques. Research environment based on virtualized network prototype, based on internet exchange networks principles and structure. Base object of research – dynamic routing protocol BGP. The virtualization platform used for research prototype is GNS3 network equipment emulation software. Routing server based on “Bird” application, that uses BGP protocol in underlay. During the experiment was collected two datasets: one of each packet in exchange network, second of flow attributes. Datasets are standardized and optimized for the machine learning algorithms to use. Created two neural network models: support vector machine and long short-term memory models. Datasets are processed through the models separately. During the experiment it was determined that the best results of accuracy and F-score, was obtained using SVM model with packets attributes dataset in use.