डेटा फ्यूज़न

Python में मशीन लर्निंग वर्कफ़्लो डिज़ाइन करना

Dr. Chris Anagnostopoulos

Honorary Associate Professor

कंप्यूटर, पोर्ट, और प्रोटोकॉल

कंप्यूटर ट्रैफिक पैकेट्स में स्रोत कंप्यूटर के एक पोर्ट से गंतव्य कंप्यूटर के दूसरे पोर्ट तक भेजा जाता है.

LANL साइबर डेटासेट

flows: फ्लोज़ वे सेशन्स हैं जिनमें एक स्रोत कंप्यूटर के पोर्ट से एक गंतव्य कंप्यूटर के पोर्ट तक, किसी प्रोटोकॉल के अनुसार, लगातार डेटा ट्रांसफ़र होता है.

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/

LANL साइबर डेटासेट

attack: टेस्ट के दौरान सुरक्षा टीम द्वारा खुद किए गए कुछ हमलों की जानकारी.

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

हम इस डेटा से लेबल वाले उदाहरण कैसे बनाएँ?

¹ https://csr.lanl.gov/data/cyber1/

इवेंट्स को लेबल करना बनाम कंप्यूटरों को लेबल करना

एकल इवेंट को आसानी से लेबल नहीं किया जा सकता. संक्रमित स्रोत और गंतव्य कंप्यूटर के बीच एकल ट्रांज़ैक्शन.

लेकिन पूरा कंप्यूटर या तो संक्रमित है या नहीं. एक संक्रमित स्रोत दो अलग-अलग कंप्यूटरों में सभी संभावित पोर्ट्स से संपर्क करने की कोशिश करता है.

ग्रुप करें और फीचर बनाएँ

विश्लेषण की इकाई = 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

ग्रुप करें और फीचर बनाएँ

प्रति कंप्यूटर एक DataFrame से, प्रति कंप्यूटर एक फीचर वेक्टर तक.

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

ग्रुप करें और फीचर बनाएँ

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]

लेबल्ड डेटासेट

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

जोड़ी (X, y) अब एक मानक लेबल्ड क्लासिफिकेशन डेटासेट है.

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

हैकर पकड़ने के लिए तैयार?

Python में मशीन लर्निंग वर्कफ़्लो डिज़ाइन करना