Analiza statyczna pracy sieci komputerowej w środowisku LabView

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.

Pełny tekst (pdf)

[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.

[6] 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.

[7] 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

[8] 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.

[9] 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.