Network anomaly detection based on the statistical self-similarity factor for HTTP protocol

• Autorzy: Mazurek M. , Dymora P.

Identyfikatory

DOI

10.12915/pe.2014.01.30

Warianty tytułu

PL

Wykrywanie nieprawidłowości działania sieci w oparciu o wykorzystanie statystycznego współczynnika samopodobieństwa na przykładzie protokołu HTTP

• Języki publikacji: EN

Abstrakty

EN

Self-similarity analysis and anomaly detection in networks are interesting field of research and scientific work of scientists around the world. Simulation studies have demonstrated that the Hurst parameter estimation can be used to detect traffic anomaly – the Hurst values are compared with confidence intervals of normal values to detect anomaly in few kinds of traffic: HTTP protocol, email, SSL.

PL

Analiza samopodobieństwa i wykrywania nieprawidłowości działania sieci stanowi interesujący problem dla naukowców na całym świecie. W artykule pokazano wykorzystanie współczynnika Hursta, jako parametru na podstawie którego można wykryć wszelkie anomalia pracy sieci. Odchylenia od wartości bazowej parametru Hursta w czasie pracy mogą sygnalizować nieprawidłowości działania. Badania mogą obejmować dowolny typ ruchu np. usługi HTTP.

Słowa kluczowe

EN

Hurst factor; anomaly detection; self-similarity; long-range dependence

PL

współczynnik Hursta; wykrywanie anomalii; samopodobieństwo; zależności długozasięgowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2014
• Tom: R. 90, nr 1
• Strony: 127--130
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Mazurek M.

• Politechnika Rzeszowska, Zakład Systemów Rozproszonych, ul. W. Pola 2, 35- 959 Rzeszów

autor

Dymora P.

• Politechnika Rzeszowska, Zakład Systemów Rozproszonych, ul. W. Pola 2, 35-959 Rzeszów

Bibliografia

• 1. Strzałka B., Mazurek M., Strzałka D., Queue Performance in Presence of Long-Range Dependencies – an Empirical Study, International Journal of Information Science, 2012, 2(4), pp. 47-53
• 2. Yan R., Wang Y., Hurst parameter for security evaluation of LAN traffic, Information technology Journal 11 (20), 2012, pp. 269-275
• 3. Dietmar S., Algorithms for random fractals, Chapter 2 of The Science of Fractal Images by Barnsley et al, Springer-Verlag, 1988
• 4. Dymora P., Mazurek M., Strzałka D., Computer network traffic analysis with the use of statistical self-similarity factor, Annales UMCS Informatica, 2013, in printing.
• 5. Idris M.Y., Abdullah A. H., Maarof M. A., Self-similarity measurement methods for network traffic anomaly detection, Preceedings of the Postgraduate Annual Research Seminar, 2005, pp. 244–248
• 6. Thottan M., Ji Ch., Anomaly detection in IP networks, IEEE Transactions on signal processing, Vol. 51, No. 8, 2003, pp. 2191–2204
• 7. Dymora P., Mazurek M., Strzałka D., Long-range dependencies in memory pages reads during man-compute system interaction, Annales UMCS Informatica XII (2) 2012, pp. 49-58
• 8. Kettani H., Gubner J. A., A novel approach to the estimation of the Hurst parameter in self-similar traffic, Proceedings of the 27th Annual IEEE Conference on Local Computer Networks, 2002, pp. 160–165
• 9. Dymora P., Mazurek M., Strzałka D., Influence of batch structure on cluster computing performance - complex systems approach, Annales UMCS Informatica XII (1) 2012, pp. 57-66
• 10. Strzałka D. Non-extensive statistical mechanics – a possible basis for modeling processes in computer memory system, Acta Physica Polonica A 117(4), 2010, pp. 652–657
• 11. Cai J., Liu W. X., A new Method of detecting network traffic anomalies, Proceedings of the 2nd International Conference on Computer Science and Electronics Engineering, 2013, pp. 2800–2803
• 12. Dymora P., Mazurek M., Strzałka D., Statistical mechanics of memory pages reads during man–computer system interaction, Metody Informatyki Stosowanej, vol. 1/2011 (26), 2011, pp. 15-21