KOMPÜTER ŞƏBƏKƏLƏRİNİN REAL ZAMANDA MONİTORİNQİNİN BİR MODELİ HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN REAL ZAMANDA MONİTORİNQİNİN BİR MODELİ HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN REAL ZAMANDA MONİTORİNQİNİN BİR MODELİ HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN REAL ZAMANDA MONİTORİNQİNİN BİR MODELİ HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN REAL ZAMANDA MONİTORİNQİNİN BİR MODELİ HAQQINDA - İnformasiya Texnologiyaları Problemləri
KOMPÜTER ŞƏBƏKƏLƏRİNİN REAL ZAMANDA MONİTORİNQİNİN BİR MODELİ HAQQINDA - İnformasiya Texnologiyaları Problemləri
AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI

№1, 2020

KOMPÜTER ŞƏBƏKƏLƏRİNİN REAL ZAMANDA MONİTORİNQİNİN BİR MODELİ HAQQINDA

Şıxəliyev Ramiz H.

Müasir kompüter şəbəkələrinin (KŞ) normal və təhlükəsiz fəaliyyətini təmin etmək üçün etibarlı və effektiv monitorinq modelləri tələb olunur. Bu modellər böyük həcmdə şəbəkə trafiki verilənləri axınlarını real zaman rejimində analiz edə bilməlidir. Lakin bu gün istifadə edilən verilənlərin analizinin ənənəvi yanaşmaları bu məsələni həll edə bilməz. Bu məsələnin həlli üçün verilənlər axınlarının intellektual analizi metodlarının istifadəsi daha müvafiqdir. Bu məqalədə verilənlər axınlarının intellektual analizi alqoritmləri istifadə edilən, KŞ-in real zamanda monitorinqi modeli təklif edilmişdir. Təklif olunan model çoxməsələlidir, yəni KŞ-in monitorinqinin məqsədlərindən asılı olaraq, şəbəkə trafiki verilənləri axınlarının analiz edilməsi üçün verilənlər axınlarının intellektual analizinin müvafiq alqoritmlərindən istifadə edilə bilər. Bunun üçün, verilənlər axınlarının klasterizasiyası və klassifikasiyası, şablonların və zaman seriyalarının analizi kimi alqoritmlərdən istifadə edilir. Beləliklə, təklif olunan model KŞ-in real zamanda monitorinqini müxtəlif kontekstlərdə həyata keçirməyə, məsələn, trendlərin, anomaliyaların və qanunauyğunluqların aşkarlanmasına, habelə real zamanda proqnozların verilməsinə və s. imkan verə bilər (səh.90-97).

Açar sözlər: monitorinq, şəbəkə trafiki verilənləri axınları, verilənlər axınının klasterizasiyası, verilənlər axınının klassifikasiyası, zaman sıralarının analizi.
DOI : 10.25045/jpit.v11.i1.11
Ədəbiyyat
  • Шыхалиев Р.Г. О применении интеллектуальных технологий в мониторинге компьютерных сетей // Искусственный интеллект, 2011, №1, с.124−132.
  • Wesam S.B., Saud A.A. Anomaly detection in network traffic using stream data mining: review // Research Journal of Applied Sciences, 2016, vol.11, no.10, pp. 1076−1082.
  • Mohamed MG., Arkady Z., Shonali K. Mining Data Streams: A Review // SIGMOD Record, 2005, vol.34, no.2, pp.18−26.
  • Neha G., Indrjeet R. Stream Data Mining: A Survey // International Journal of Engineering Research and Applications, 2013, vol.3, no.1, pp.1113−1118.
  • Ryszard E.J., Miliosz M.H. Packet Sampling for Network Monitoring, Technical Report 2007. http://cern.ch/openlab
  • Davide T., Silvio V., Dario R., Antonio P. Exploiting packet sampling measurements for traffic characterization and classification // International Journal of Network Management, 2012, vol.22, no.6, pp.451−476.
  • Marco C., Damien F., David J.M., Andrew W.M., Raffaele B. Per flow packet sampling for high-speed network monitoring / Proceedings of the First International Conference on Communication Systems And NETworks, 2009, pp.463−472.
  • Song S., Ling L., Manikopoulo C.. Flow-based statistical aggregation schemes for network anomaly detection / Proceedings of the IEEE International Conference on Networking Sensing and Control, 2006, pp.786−791.
  • Bin L., Chuang L., Jian Q. A NetFlow based flow analysis and monitoring system in enterprise networks // Computer networks, 2008, vol. 52, no.5, pp.1074−1092.
  • Marco F., Kawahara R., Ishibashi K., Mori T. Detection accuracy of network anomalies using sampled flow statistics // International Journal of Network Management, 2011, vol. 21, no.6, pp.513−535.
  • Accurate and flexible flow-based monitoring for high-speed networks, Master Thesis. Autonomous University of Madrid, 2013, 38 p.
  • Wang B., Su J. A survey of elephant flow detection in SDN / Proceedings of the 6th International Symposium on Digital Forensic and Security, 2018, pp.208−213.
  • Gerald T. Real Time Network Traffic Monitoring. Technical Report: 5–99, Computing Laboratory, University of Kent, 1999.
  • Ahmed M. M. M. A real time distributed network monitoring platform (RTDNM), Doctoral Thesis, Universiti Sains Malaysia, 2009, 224 p.
  • Xu T., Qiong S., Xiaohong H., Yan M. A Dynamic Online Traffic Classification Methodology based on Data Stream Mining / Proceedings of the World Congress on Computer Science and Information Engineering, 2009, pp.298–302.
  • Kuai X., Feng W. Real-time behaviour profiling for network monitoring // International Journal of Internet Protocol Technology, 2010, vol.5, no.1/2, pp.65−80.
  • Aryan T.M., Tomasz W.W., Chunming R. Real-Time Handling of Network Monitoring Data Using a Data-Intensive Framework / Proceedings of the IEEE 5th International Conference on Cloud Computing Technology and Science, 2013.
  • Li L., Hu Z.-Y. The Research of Data Stream Technology in Computer Network Security Monitoring / Proceedings of the International Conference on Intelligent Systems Research and Mechatronics Engineering, 2015, pp.1904−1907.
  • John F., Matthew B., Michael H. Introduction to stream: A Framework for Data Stream Mining Research. http://www2.uaem.mx/r-mirror/web/packages/stream/vignettes/stream.pdf
  • Silva, J.A., Faria, E.R., Barros, R.C., Hruschka, E.R., de Carvalho, A.C., Gama, J., Data stream clustering: A survey // ACM Computing Surveys, 2013, vol.46, no.1, p.13.
  • Kholghi M., Keyvanpour M. An Analytical Framework for Data Stream Mining Techniques Based on Challenges and Requirements // International Journal of Engineering, Science and Technology, 2011, vol.3, no.3, pp.2507−2513.
  • Chao S.C., Lin K.C., Chen M.S. Flow Classification for Software-Defined Data Centers Using Stream Mining // IEEE Transactions on Services Computing, 2019, vol. 12 , no. 1, pp.105–116.
  • Sidda Reddy V., Rao T.V., Govardhan A. Data mining techniques for data streams mining // Review of computer engineering studies, 2017, vol.4, no.1, pp.31−35.
  • Golab L., Özsu M.T. Issues in data stream management // ACM SIGMOD Record, vol.32, no.2, 2003, pp.5−14.
  • Tatbul N., Cetintemel U., Zdonik S., Cherniack M., Stonebraker M. Load Shedding on Data Streams, Proceedings of the Workshop on Management and Processing of Data Streams, 2003.
  • Florin R., Alin D. Sketching Sampled Data Streams / Proceedings of the IEEE 25th International Conference on Data Engineering, 2009, vol.1−3, pp.381−392.
  • Babcock B., Babu S., Datar M., Motwani R., Widom J. Models and issues in data stream systems / Proceedings of the twenty-first ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems, 2002, pp.1−16.
  • Aggarwal C, Han J., Wang J., Yu P. S. A Framework for Projected Clustering of High Dimensional Data Streams / Proceedings of the Thirtieth international conference on Very large data bases, 2004, vol.30, pp.852−863.
  • Cormode G., Muthukrishnan S. What's hot and what's not: Tracking most frequent items dynamically // ACM Transactions on Database Systems, 2005, vol.30, no.1, pp.249−278.
  • Gaber, M, M., Zaslavsky, A., and Krishnaswamy, S. Towards an Adaptive Approach for Mining Data Streams in Resource Constrained Environments / Proceedings of the 6th International Conference on Data Warehousing and Knowledge Discoverey, 2004, Data Warehousing And Knowledge Discovery, Proceedings: Lecture Notes in Computer Science, vol.3181, pp.189−198.
  • Aggarwal C. An Introduction to Data Streams // Data Streams: Models and Algorithms, 2007, pp.1−18.
  • Gama J. Knowledge Discovery from Data Streams. 1st edition. Chapman & Hall/CRC, Boca Raton, 2010.
  • Sharma N., Masih S., Makhija P. A Survey on Clustering Algorithms for Data Streams // International Journal of Computer Applications, 2018, vol.182, no.22, pp.18−24.
  • Gaber M. M., Zaslavsky A., Krishnaswamy S. A Survey of Classification Methods in Data Streams // Data Streams: Models and Algorithms, 2007, pp.39−59.
  • Subbulakshmi B., Deis C., Periya Nayaki A. Survey on Frequent Pattern Mining over Data Streams // International Journal of Engineering Research and Technology, 2013, vol.2, no. 12, pp.2276−2283.
  • Jinlong W., Congfu X., Weidong C., Yunhe P. Survey of the study on frequent pattern mining in data streams / Proceedings of the IEEE International Conference on Systems, Man and Cybernetics, 2004, vol.1−7, pp.5917−5922.