DÒ TÌM BẤT THƯỜNG THIẾT BỊ ĐỊNH TUYẾN BẰNG KĨ THUẬT PHÂN LỚP

Nguyễn Quốc Huy

Tóm tắt


Phát hiện sớm tín hiệu bất thường của bộ định tuyến giúp dự đoán lỗi và có phương án thay thế kịp thời. Dữ liệu bất thường được phân tích thông qua dữ liệu cập nhật hoạt động của thiết bị. Bài báo đề xuất cách thức mới để phát hiện dữ liệu bất thường thông qua các kĩ thuật phân lớp dữ liệu. Dữ liệu BGL được sử dụng lại của tổ chức Usenix được gán nhãn theo kinh nghiệm của nhiều chuyên gia. Quá trình thực hiện bao gồm giai đoạn lựa chọn đặc trưng, huấn luyện mô hình, và kiểm thử. Kết quả khả quan khi các dự đoán lỗi hệ thống của các bộ định tuyến được phát hiện nhanh chóng và chính xác, và quan trọng là đã xác thực các đặc trưng được đặt giả thiết là quan trọng qua quá trình quan sát.

 


Từ khóa


phát hiện bất thường; kĩ thuật phân lớp; rút trích đặc trưng; phân loại dòng nhật kí; thiết bị định tuyến

Toàn văn:

PDF

Trích dẫn


Ertam, F., & Kaya, M. (2018). Classification of Firewall Log Files with Multiclass Support Vector Machine. In: A, Varol, M. Karabatak and C. Varol (editors). International Symposium on Digital Forensic and Security, 22-25, Antalya, Turkey. IEEE. Piscataway, New Jersey, 1-4.

Guo, A., & Yang, T. (2016). Research and improvement of feature words weight based on TFIDF algorithm. In: Information Technology, Networking, Electronic and Automation Control Conference, 20-22 May 2016, Chongqing, China. IEEE. 415-419.

He, P., Zhu, J., Zheng, Z.,& Lyu, M. R (2017). Drain: An Online Log Parsing Approach with Fixed Depth Tree. In Proceedings of the IEEE International Conference on Web Services (ICWS), Honolulu, HI, USA, 25-30 June 2017.

IBM. Drain3. Retrieved from https://github.com/IBM/Drain3 (accessed on 10 January 2022)

Sokolova, M., & Lapalm, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing and Management, 45, 427-437.

Usenix. The HPC4 Data. Retrieved from https://www.usenix.org/cfdr-data#hpc4 (accessed on 20 February 2022).

Yadav, R. B., Kumar, P. S., & Dhavale, S. V. (2020). A Survey on Log Anomaly Detection using Deep Learning. In Proceedings of the 8th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO). Noida, India, 4-5 June 2020, 1215-1220.

Ying, S., Wang, B., Wang, L., Li, Q., Zhao, Y., Shang, J., … Geng, J. (2021). An Improved KNN-Based Efficient Log Anomaly Detection Method with Automatically Labeled Samples. ACM Trans. Knowl. Discov, 15(3), 1-22.

Zhao, X., Wang, H. Xiao, & Chi, X. (2018). Improvement of the Log Pattern Extracting Algorithm Using Text Similarity. In: International Parallel and Distributed Processing Symposium Workshops, 21-25, May 2018, Vancouver, BC, Canada. IEEE. Los Alamitos, California, 507-514.




DOI: https://doi.org/10.54607/hcmue.js.19.11.3625(2022)

Tình trạng

  • Danh sách trống