Pattern Mining in Command Histories from Cybersecurity Training

Kristián Tkáčik

Bachelor's thesis

Abstract:

Moderné výukové prostredia na precvičovanie kyberbezpečnosti umožňujú inštruktorom zhromažďovať históriu zadaných príkazov z kyberbezpečnostných tréningov. Analýza týchto dát môže odhaliť cenné poznatky o vzdelávacích procesoch účastníkov. Manuálna transformácia týchto dát do užitočných informácií je však časovo náročná a neefektívna. V tejto práci sme aplikovali algoritmy dolovania asociačných pravidiel a dolovania sekvenčných vzorov na histórie príkazov z 22 prechodov kyberbezpečnostným tréningom. Naším cieľom bolo preskúmať zaujímavé vzory vyskytujúce sa v zhromaždených dátach, vizualizovať a analyzovať ich, a interpretovať ich do zaujímavých poznatkoch o vzdelávaní. Výsledky nám poskytli informácie ohľadom častých chýb, mylných predstáv, a stratégií, ktoré účastníci využívali, ako aj o zložitých konceptoch a pasážach tohto tréningu. Tieto výsledky potvrdzujú, že metódy pattern minigu sú vhodné na analýzu dát, ktoré pochádzajú z kyberbezpečnostného tréningu. Inštruktori môžu tieto metódy uplatniť vo svojich kontextoch a využiť získané informácie na zlepšenie vzdelávania v oblasti kyberbezpečnosti.

Abstract:

Modern educational environments for practicing cybersecurity allow instructors to collect command histories from cybersecurity training. Analysis of these data can uncover valuable insights about the trainees' learning processes. However, manual transformation of the data into useful information is time-consuming and ineffective. In this thesis, we applied association rule mining and sequential pattern mining algorithms to command histories from 22 runs of cybersecurity training. Our aim was to explore interesting patterns in the collected data, visualize and analyze them, and interpret them into useful educational insights. The results provided information concerning common mistakes, misconceptions, and strategies the trainees utilized, as well as difficult concepts and stages of the training. The results proved that pattern mining methods are a viable option for analyzing data originating from cybersecurity training. Instructors can apply these methods in their contexts and use the gained insights to improve cybersecurity education.

Keywords

data analysis, security, cybersecurity training, Python, KYPO, education, data mining, pattern mining, association rule mining, sequential pattern mining, dátová analýza, bezpečnosť, kyberbezpečnostný tréning, vzdelávanie, dolovanie dát, dolovanie vzorov, dolovanie asociačných pravidiel, dolovanie sekvenčných vzorov

Language used: English

Date on which the thesis was submitted / produced: 20. 7. 2020

Thesis defence

• Date of defence: 25. 9. 2020
• Supervisor: RNDr. Valdemar Švábenský
• Reader: RNDr. Martin Husák, Ph.D.

Masaryk University

Faculty of Informatics

Bachelor programme / field:
Applied Informatics / Applied Informatics