An interactive visual analytics approach for network anomaly detection through smart labeling

Fan, Xin; Li, Chenlu; Yuan, Xiaoru; Dong, Xiang; Liang, Jie

doi:10.1007/s12650-019-00580-7

Cited by 19 publications

(24 citation statements)

References 35 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Varios autores [97,5,37,49] estiman que el uso de humanos expertos es esencial en el análisis de tráfico y posterior etiquetado de conexiones. Debido a que los expertos en redes son un recurso caro, el proceso de etiquetado debe utilizar el tiempo de estos usuarios de manera eficiente.…”

Section: Etiquetado Manualunclassified

“…El artículo de Xin Fan et al [37] es uno de los últimos trabajos en emplear AL para obtener conjuntos de tráfico etiquetado, que además, como vimos en la subsección 3.2.4, en la fase de interacción con expertos utiliza una herramienta visual para brindarle al usuario una mejor representación del tráfico que está analizando (ver Figura 9). Entre las herramientas visuales más destacadas, Xin Fan representa un grafo de conexiones para mostrar una representación topológica bidimensional de todo el tráfico.…”

Section: Etiquetado Asistidounclassified

“…Representación visual creada por [37]. a) La vista principal muestra los patrones de comportamiento de la red a etiquetar.…”

unclassified

See 2 more Smart Citations

Recomendaciones de comportamiento malicioso aplicado al etiquetado de tráfico de red

Luís¹

2021

RIDAA Tesis Unicen

View full text Add to dashboard Cite

Las redes de computadoras se han vuelto indispensables para el intercambio de información entre personas y organizaciones. Por ello, su seguridad representa en la actualidad un gran desafío para la comunidad informática. Hoy en día, son varias las técnicas que se emplean para proteger la información de intrusos en la red. Dentro de las técnicas más utilizadas se encuentran, los conocidos sistemas de detección de intrusos (NIDS por sus siglas en inglés). Quienes, más allá de la autenticación de usuarios, el cifrado de datos y los cortafuegos, se utilizan ampliamente como defensa activa del entorno de la red. A grandes rasgos, un NIDS representa un proceso activo que supervisa el tráfico de la red para identificar las violaciones de la seguridad e iniciar las medidas pertinentes. Producto del crecimiento de la Internet y la interacción de esta con los usuarios, los NIDS requieren constantemente de formas de adaptarse al entorno cambiante de la red o corren el riesgo de convertirse en sistemas obsoletos. Entre las estrategias más utilizadas para hacer frente a los constantes entornos cambiantes se encuentra la generación de NIDS basados en modelos estadísticos de detección y aprendizaje de máquina. Estos sistemas han tenido éxitos sobre otros, debido a su capacidad para identificar patrones de comportamiento y poder predecir patrones similares a futuro, pudiendo seguir el proceso evolutivo de la red. Sin embargo, justo antes de desplegar este tipo de NIDS en cualquier entorno del mundo real, un NIDS basado en modelos estadísticos debe ser entrenado y evaluado usando trazas de tráfico de red etiquetadas que representen la diversidad real del tráfico. Es por ello que, una de las principales limitaciones de este tipo de NIDS es la carencia de conjuntos de datos etiquetados con las características apropiadas. Carencia que se encuentra asociada, entre otros factores, a la falta de recursos y la dificultad del proceso de creación de estos conjuntos de datos etiquetados. La generación y etiquetado de conjuntos de datos útiles para la seguridad de las redes, es un área de estudio relativamente joven que abarca no más allá de los últimos 20 años. En el ámbito de la seguridad, el proceso de etiquetado de un conjunto de datos de tráfico de red es especialmente difícil y se requieren conocimientos especializados para realizar la clasificación de las trazas de tráfico en eventos de índole malicioso o eventos normales. Por ello, la mayoría de las estrategias de etiquetado de tráfico están basadas en la generación automática de trazas de tráfico artificiales con conocimientos de comportamientos conocidos de antemano. Esto se debe, en gran medida, para evitar lidiar con las dificultades del etiquetado y las limitantes de seguridad de la información que conlleva el uso de tráfico real. Esto trae como consecuencia, que en la mayoría de las ocasiones los conjuntos de datos resultantes no expresan el verdadero flujo de la información en la red. Como alternativas, se han propuesto otras técnicas que incluyen el aprendizaje automático, la visualización y una combinación de ambos (método interactivo) para acelerar el proceso de generación de datos sobre el tráfico real. Estas estrategias tienen como objetivo trabajar con tráfico en redes auténticas y acelerar el proceso de etiquetado. Lo cierto es que gran parte del etiquetado que se realiza sobre trazas de red se lleva a cabo de manera manual por usuarios expertos en el análisis de tráfico. Justamente, el uso de expertos se considera un recurso escaso que requieren años de práctica y preparación pero su uso se justifica fundamental para lograr una mayor precisión de las etiquetas. Sin embargo, en muchas ocasiones no se les brinda soporte alguno que asista a los expertos en la tarea de diferenciar dentro del tráfico el comportamiento malicioso del normal. Lo cierto es que a pesar del empleo de varias técnicas, los conjuntos de datos etiquetados sobre el tráfico de red siguen siendo un recurso altamente demandado. Es por ello que, se requieren técnicas novedosas de etiquetado, puntualmente enfocadas a la clasificación de trazas sobre tráfico real. Por todo lo antes expuesto, el presente documento presenta una Tesis de Doctorado que aporta soluciones sobre las principales limitaciones presentes en el proceso de etiquetado de trazas red. Puntualmente, se realizan aportes a través de una estrategia de etiquetado de tráfico real basado en el uso de usuarios no necesariamente expertos. La estrategia propuesta, representa un etiquetado manual asistido a través de una herramienta con componentes visuales y de aprendizaje de máquina. El usuario, durante gran parte del proceso de etiquetado queda acoplado dentro de un ciclo hombre-máquina conocido como Aprendizaje Activo. Luego, para validar la eficacia de las herramientas desarrolladas, se desarrolló un estudio con usuarios y se planteó una metodología de evaluación sobre la solución de Aprendizaje Activo en entornos reales de etiquetado.

show abstract

Section: Etiquetado Manualunclassified

Section: Etiquetado Asistidounclassified

See 1 more Smart Citation

Recomendaciones de comportamiento malicioso aplicado al etiquetado de tráfico de red

Luís¹

2021

RIDAA Tesis Unicen

View full text Add to dashboard Cite

show abstract

“…e data management module is to process the data deposited in the data simulator; the module includes topological data preprocessing; that is, the data will be mode conversion, real-time update; take out the data from MongoDB in line with the front-end request, but the data format does not meet the requirements, so you Figure 1: Framework of the nonvisual congestion control algorithm. 4 Complexity need to preprocess the data, and the system has real-time update capabilities, the system is running, the front end via Ajax every 2 seconds to request data from the server; if the background data changes, the merged data will change the data update into the existing page; visual layout module is to calculate the location of the nodes in the data management module to determine the final location of the nodes in the layout and draw out the diagram; the module includes layout algorithm optimization, D3.js library optimization, and D3.js to draw the topology diagram. e topology generated by the visual layout module needs to provide interactive functions to the user.…”

Section: Interactive Visual Communication Network Topologymentioning

confidence: 99%

“…But, with the development of time and technology, visualization technology is no longer confined to scientific computing; it has been extended to all aspects of life, such as the history of Egyptian hieroglyphics, cave paintings, science education, interactive multimedia, engineering, medicine, business, and virtual communities [3]. In recent years, with the growth of the Internet, an increased number of people are spending part of their daily lives on various projects such as social software, online shopping, and outings [4]. Nowadays, our society is already an era of rapid development, with the rapid development of technology, efficient flow of information, more frequent communication, and more convenient lifestyles; all kinds of activities have produced a series of data [5].…”

Section: Introductionmentioning

confidence: 99%

Topology Optimization of Interactive Visual Communication Networks Based on the Non-Line-of-Sight Congestion Control Algorithm

Liu

Zhou

2020

Complexity

View full text Add to dashboard Cite

In this paper, an in-depth study of interactive visual communication of network topology through non-line-of-sight congestion control algorithms is conducted to address the real-time routing problem of adapting to dynamic topologies, and a delay-constrained stochastic routing algorithm is proposed to enable packets to reach GB within the delay threshold in the absence of end-to-end delay information while improving network throughput and reducing network resource consumption. The algorithm requires each sending node to select an available relay set based on the location of its neighbor nodes and channel state and computes transfer probabilities for each node in the relay set combining the remaining delay of the packet with the distance from the relay node to GB. Based on the obtained transfer probability and local channel state, the sending node passes the packet to the relay node. The convergence of the algorithm is proved and its performance is verified by simulation. The first part of the algorithm is based on the greedy algorithm to deploy and locate the network flying platform nodes with the goal of efficient coverage of the network flying platform nodes, considering the ground base station services. As the delay on each link varies due to the change of channel state, the source and relay nodes asynchronously update the data generation rate and the pairwise parameters based on the received local information and use the obtained optimal values to pass the packets to GB.

show abstract

VisGIL: machine learning-based visual guidance for interactive labeling

Grimmeisen

Chegini²,

Theissler

2022

Vis Comput

View full text Add to dashboard Cite

Labeling of datasets is an essential task for supervised and semi-supervised machine learning. Model-based active learning and user-based interactive labeling are two complementary strategies for this task. We propose VisGIL which, using visual cues, guides the user in the selection of instances to label based on utility measures deduced from an active learning model. We have implemented the approach and conducted a qualitative and quantitative user study and a think-aloud test. The studies reveal that guidance by visual cues improves the trained model’s accuracy, reduces the time needed to label the dataset, and increases users’ confidence while selecting instances. Furthermore, we gained insights regarding how guidance impacts user behavior and how the individual visual cues contribute to user guidance. A video of the approach is available: https://ml-and-vis.org/visgil/.

show abstract

An interactive visual analytics approach for network anomaly detection through smart labeling

Cited by 19 publications

References 35 publications

Recomendaciones de comportamiento malicioso aplicado al etiquetado de tráfico de red

Recomendaciones de comportamiento malicioso aplicado al etiquetado de tráfico de red

Topology Optimization of Interactive Visual Communication Networks Based on the Non-Line-of-Sight Congestion Control Algorithm

VisGIL: machine learning-based visual guidance for interactive labeling

Contact Info

Product

Resources

About