Optimizing flow sampling for network anomaly detection

BARTOŠ, Karel, Martin REHÁK a Vojtěch KRMÍČEK. Optimizing flow sampling for network anomaly detection. In Wireless Communications and Mobile Computing Conference (IWCMC), 2011 7th International. Piscataway: IEEE, 2011, s. 1304-1309. ISBN 978-1-4244-9539-9. Dostupné z: https://dx.doi.org/10.1109/IWCMC.2011.5982728.

Základní údaje

• Originální název: Optimizing flow sampling for network anomaly detection
• Autoři: BARTOŠ, Karel (203 Česká republika), Martin REHÁK (703 Slovensko) a Vojtěch KRMÍČEK (203 Česká republika, garant, domácí).
• Vydání: Piscataway, Wireless Communications and Mobile Computing Conference (IWCMC), 2011 7th International, od s. 1304-1309, 6 s. 2011.
• Nakladatel: IEEE

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Stať ve sborníku
• Obor: 10201 Computer sciences, information science, bioinformatics
• Stát vydavatele: Česká republika
• Utajení: není předmětem státního či obchodního tajemství
• Forma vydání: tištěná verze "print"
• Kód RIV: RIV/00216224:14610/11:00053092
• Organizační jednotka: Ústav výpočetní techniky
• ISBN: 978-1-4244-9539-9
• Doi: http://dx.doi.org/10.1109/IWCMC.2011.5982728
• UT WoS: 000300570200217
• Klíčová slova anglicky: NetFlow; Sampling methods; anomaly detection; network traffic
• Štítky: rivok
• Příznaky: Mezinárodní význam, Recenzováno

Anotace

Sampling techniques are widely employed in high-speed network traffic monitoring to allow the analysis of high traffic volumes with limited resources. Sampling has measurable negative impact on the accuracy of network anomaly detection methods. In our work, we build an integrated model which puts the sampling into the context of the anomaly detection used in the subsequent processing. Using this model, we show that it is possible to perform very efficient sampling with limited impact on traffic feature distributions, thus minimizing the decrease of anomaly detection efficiency. Specifically, we propose an adaptive, feature-aware statistical sampling technique and compare it both formally and empirically with other known sampling techniques - random flow sampling and selective sampling. We study the impact of these sampling techniques on particular anomaly detection methods used in a network behavior analysis system.

Návaznosti

• W911NF-08-1-0250, interní kód MU: Název: CAMNEP2 - Reflective-Cognitive Adaptation for Network Intrusion Detection Systems (Akronym: CAMNEP II)

Investor: Armáda Spojených států (Velitelské centrum pro vědu, výzkum a inženýrství), CAMNEP2 - Reflective-Cognitive Adaptation for Network Intrusion Detection Systems