Adaptive complementing of DNS flow features based upon correlated events

Bc. Martin Hesko

Bachelor's thesis

Abstract:

Táto práca sa zaoberá prácou s korelovanými datasetmi zachytenými z monitorovania tokov a udalostí. Tieto korelované údaje používame na doplnenie prázdnych parametrov toku pomocou korelovanej udalosti. V práci sa zaoberáme analýzou datasetov za účelom identifikácie parametrov, ktoré chceme doplniť, a následne vytvoríme aplikáciu na doplnenie týchto parametrov. Preukazujeme užitočnosť korelovaných údajov o tokoch a udalostiach pomocou využitia údajov o udalostiach na doplnenie našich triviálnych parametrov a na trénovanie modelu strojového učenia na doplnenie komplexnejších parametrov. Výsledkom je Python aplikácia, ktorá využíva korelované datasety a strojové učenie na presné doplnenie chýbajúcich údajov o tokoch.

Abstract:

This thesis covers working with correlated datasets captured from flow and event monitoring. We use this correlated data to complement empty flow parameters using the correlated event. We first analyze the datasets to identify the parameters we are interested in for complementing and develop a command-line application for complementing these parameters. We demonstrate the utility of having correlated flow and event data by using the event data to complement our trivial parameters and to train a machine learning model to complement more complex parameters. The result is a Python application that uses correlated datasets and machine learning to recreate missing flow data accurately.

Keywords

CSIRT-MU, data analysis, flow monitoring, machine learning, Python, scikit-learn

Language used: English

Date on which the thesis was submitted / produced: 16. 12. 2021

Thesis defence

• Date of defence: 9. 2. 2022
• Supervisor: RNDr. Stanislav Špaček
• Reader: RNDr. Martin Husák, Ph.D.

Masaryk University

Faculty of Informatics

Bachelor programme / field:
Applied Informatics / Applied Informatics