Network anomaly detection based on traceroute data

Abstract

Detekce anomálií v síti je klíčová pro identifikaci problémů v počítačových sítích, zvláště pro počítačové sítě globálního rozsahu, jako je Worldwide LHC Computing Grid, který slouží k zpracování dat z experimentů prováděných v CERNu. Tato práce si klade za cíl zdokonalit nebo nahradit stávající heuristický algoritmus pro detekci anomálií v síti, který byl původně navržen pro identifikaci změn v síťovém směrování na základě traceroute měření mezi centry po celém světě, která jsou generována prostřednictvím softwaru perfSonar. Práce demonstruje informační bohatost traceroute měření a navrhuje několik modelů založených na Bayesovském učení, které mají za cíl zlepšit detekci anomálií na základě traceroute dat.

Network anomaly detection is crucial for identifying issues in computer networks, with particular significance in large-scale global networks like the Worldwide LHC Computing Grid, that is used for processing data from CERN experiments. This thesis aims to enhance or replace the existing heuristic network anomaly detection algorithm, primarily designed to identify routing changes based on traceroute measurements between global datacenters, generated through the perfSonar software. The work demonstrates the informational richness of traceroute measurements and proposes several Bayesian inference-based models to improve anomaly detection in traceroute data.