Fúze dat

Designing Machine Learning Workflows in Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Počítače, porty a protokoly

Síťový provoz je přenášen v paketech z portu zdrojového počítače na port cílového počítače.

Kybernetická datová sada LANL

flows: Toky jsou relace nepřetržitého přenosu dat mezi portem zdrojového počítače a portem cílového počítače podle určitého protokolu.

flows.iloc[1]

time                    471692
duration                     0
source_computer          C5808
source_port              N2414
destination_computer    C26871
destination_port        N19148
protocol                     6
packet_count                 1
byte_count                  60

¹ https://csr.lanl.gov/data/cyber1/

Kybernetická datová sada LANL

attack: informace o útocích provedených bezpečnostním týmem během testu.

attacks.head()

     time user@domain source_computer destination_computer
0  151036   U748@DOM1          C17693                 C305
1  151648   U748@DOM1          C17693                 C728
2  151993  U6115@DOM1          C17693                C1173
3  153792   U636@DOM1          C17693                 C294
4  155219   U748@DOM1          C17693                C5693

Jak lze z těchto dat sestavit označené příklady?

¹ https://csr.lanl.gov/data/cyber1/

Označování událostí vs. označování počítačů

Jednotlivá událost nemůže být snadno označena. Jednotná transakce mezi infikovaným zdrojem a cílovým počítačem.

Celý počítač je však buď infikován, nebo ne. Infikovaný zdroj se pokouší komunikovat se všemi možnými porty dvou různých počítačů.

Seskupení a vytvoření příznaků

Jednotka analýzy = destination_computer

flows_grouped = flows.groupby('destination_computer')

list(flows_grouped)[0]

('C10047',         
        time  duration    ...     packet_count byte_count
2791  471694         0    ...               12       6988
2792  471694         0    ...                1        193
...
2846  471694        38    ...              157      84120

Seskupení a vytvoření příznaků

Z jednoho DataFrame na počítač k jednomu vektoru příznaků na počítač.

def featurize(df):
    return {
        'unique_ports': len(set(df['destination_port'])),
        'average_packet': np.mean(df['packet_count']),
        'average_duration': np.mean(df['duration'])
    }

Seskupení a vytvoření příznaků

out = flows.groupby('destination_computer').apply(featurize)

X = pd.DataFrame(list(out), index=out.index)

X.head()

                      average_duration      ...       unique_ports
destination_computer                        ...                   
C10047                        7.538462      ...                 13
C10054                        0.000000      ...                  1
C10131                       55.000000      ...                  1
...
[5 rows x 3 columns]

Označená datová sada

bads = set(attacks['source_computer'].append(attacks['destination_computer']))
y = [x in bads for x in X.index]

Dvojice (X, y) je nyní standardní označená klasifikační datová sada.

X_train, X_test, y_train, y_test = train_test_split(X, y)
clf = AdaBoostClassifier()
accuracy_score(y_test, clf.fit(X_train, y_train).predict(X_test))

0.92

Připraveni chytit hackera?

Designing Machine Learning Workflows in Python