Analiza statyczna pracy sieci komputerowej w środowisku LabVIEW

• Autorzy: Dymora P. , Mazurek M. , Jaskółka S.

Identyfikatory

DOI

10.7862/re.2015.24

Warianty tytułu

EN

Statistical analysis of the computer network operation in the LabVIEW environment

• Języki publikacji: PL

Abstrakty

PL

Analiza ruchu sieciowego oraz metod wykrywania nieprawidłowości pracy urządzeń sieciowych stanowi ciekawy problem dla analityków badających sieci komputerowe. Poprawna interpretacja anomalii oraz odpowiednia reakcja na nie może poprawić jakość działania sieci, zapobiec awarii lub skrócić jej czas. W artykule przedstawiono oryginalną aplikację utworzoną w środowisku LabVIEW, z zaimplementowanymi algorytmami do wyznaczania współczynnika Hursta, będącego miarą samopodobieństwa i określenia zależności długoterminowych oraz multifraktalności ruchu sieciowego. Celem aplikacji było zaimplementowanie znanych metod wyznaczania współczynnika Hursta m.in. metody statystyki R/S, metody wartości bezwzględnej oraz zagregowanej wariancji - jako aparatu statystycznego do określenia cech ruchu sieciowego. W badaniach wykorzystano wirtualną sieć testową, której model utworzono w środowisku OPNET Modeler. Przeprowadzona w programie analiza statystyczna wskazała, że poziom samopodobieństwa ruchu sieciowego zawiera się w przedziale od 0,5 do 1, zaś jego wartość przybiera wyższe wartości wraz z rosnącym wypełnieniem pasma sieci. Nieprzerwany ruch sieciowy o małym natężeniu (np. ruch typu VoIP) posiada samopodobieństwo porównywalne do szumu białego równe 0,5 co zaprezentowano w artykule.

EN

Network traffic analysis and the network devices working anomaly detection methods is an interesting problem for analysts researching computer networks. Proper interpretation of the anomalies and appropriate response to it can improve the quality of the network, to prevent a failure or shorten. The paper presents an original application created in the LabVIEW environment, with implemented algorithms to determine the Hurst coefficient, which is a measure of self-similarity and determine the long-range dependencies and multifractal traffic. The aim of the application was to implement known methods of determining the Hurst coefficient, e.g. the R/S statistics method, the absolute value method and the aggregate variance method, as a statistical apparatus to determine the characteristics of network traffic. The study used a virtual test network which model was created in the OPNET Modeler environment. Carried out in the application the statistical analysis indicated that the level of network traffic self-similarity is in the range from 0.5 to 1, and it’s value becomes higher with increasing fulfillment of the network bandwidth. Uninterrupted network traffic with a low intensity (e.g. VoIP traffic type) has a self-similarity comparable to the white noise equal to 0.5 which is presented in the article.

Słowa kluczowe

PL

współczynnik Hursta; sieci komputerowe; wykrywanie anomalii; samopodobieństwo; zależności długoterminowe; systemy złożone

EN

Hurst coefficient; computer networks; anomaly detection; self-similarity; long-range dependencies; complex systems

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej
• Czasopismo: Zeszyty Naukowe Politechniki Rzeszowskiej. Elektrotechnika
• Rocznik: 2015
• Tom: z. 34 [292], nr 2
• Strony: 323--340
• Opis fizyczny: Bibliogr. 9 poz., rys., tab., wykr.

Twórcy

autor

Dymora P.

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

autor

Mazurek M.

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

autor

Jaskółka S.

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

Bibliografia

• [1] Thottan M., Ji Ch.: Anomaly detection in IP networks, IEEE Transactions on signal processing, Vol. 51, No.8, 2003, pp. 2191-2204.
• [2] A. J. Field, U. Harder, P. G. Harrison, Measurement and modeling of self-similar traffic in computer network, IEE Proc. Commun., Vol. 151, No. 4, August 2004.
• [3] P. Garcia-Teodoro, J. Diaz-Verdejo, G. Macia-Fernandez, E. Vazquez, Anomalybased network intrusion detection: techniques, systems and challenges, Comput. Secur., 28, pp. 18–28, 2009.
• [4] H.-D. Jeong, J.-S. Lee, D. McNickle, K. Pawlikowski, Self-similar properties of malicious teletraffic, Int. J. Comput. Syst. Sci. Eng., 28 (1), pp. 1–7, 2012.
• [5] P. Dymora, M. Mazurek, D. Strzałka,: Computer network traffic analysis with the use of statistical self-similarity factor, Annales UMCS Informatica Vol.13 (2), 69–81, 2013.
• [6] M. Mazurek, P. Dymora, Network anomaly detection based on the statistical self-similarity factor for HTTP protocol, Przegląd elektrotechniczny, ISSN 0033-2097, R. 90 NR 1/2014, s.127 - 130, 2014
• [7] P. Dymora, M. Mazurek, K. Żelazny, Operating system efficiency evaluation on the base of measurements analysis with the use of non-extensive statistics elements, Annales UMCS, Informatica. Volume 14, Issue 3, Pages 65–75, ISSN (Online) 2083-3628, 2014.
• [8] P. Dymora, M. Mazurek, Network Anomaly Detection Based on the Statistical Self-similarity Factor, Analysis and Simulation of Electrical and Computer Systems Lecture Notes in Electrical Engineering Volume 324, Springer, pp 271-287, 2015.