haku: @keyword anomaly detection / yhteensä: 10
hakutulos-lista
viite: 5 / 10
« edellinen | seuraava »
Tekijä:Alene, Henok
Työn nimi:Graph based clustering for anomaly detection in IP networks
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2011
Sivut:[11] + 67      Kieli:   eng
Koulu/Laitos/Osasto:Tietotekniikan laitos
Oppiaine:Informaatiotekniikka   (T-61)
Valvoja:Oja, Erkki
Ohjaaja:Hätönen, Kimmo
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  7071   | Arkisto
Avainsanat:anomaly detection
graphs
node degree
node clustering
weight matrix
partition
clustering
Tiivistelmä (eng): In IP networks, an anomaly detection system identifies attacks, device failures or other unknown processes that deviate from the normal behaviour of the network known as anomalies.
The thesis studied anomaly detection in traffic datasets from IP networks.
The datasets contained high number of normal events and few anomalies.
This resembles a normally operating network.

We construct graphs from traffic data and study their properties.
We formulated anomaly detection as a graph based clustering problem.
A novel graph bi-partitioning algorithm called NodeClustering was designed to separate normal samples from anomalous ones.

Performance of NodeClustering was investigated with extensive network traffic data.
The performance was compared with state of the art graph based spectral clustering algorithms.
NodeClustering identified all the known intrusions in the data and outperformed the compared graph based methods with an average improvement of 50% on the true positive rate with lowest false positive rate on the studied datasets.
In addition, its applicability to one non-traffic dataset was shown.

NodeClustering can be used in IP networks to detect anomalies.
In the future, threshold used for graph partitioning can be studied further and computationally efficient < methods to construct larger graphs might be studied.
ED:2011-12-14
INSSI tietueen numero: 43255
+ lisää koriin
« edellinen | seuraava »
INSSI