Seminarium poświęcone będzie prezentacji systemu Entropy/IP, który pozwala na odkrywanie i wizualizację struktur adresacyjnych w sieciach IPv6 na podstawie zaobserwowanych zbiorów aktywnych adresów. System jest w pełni zautomatyzowany, opiera się na metodach teorii informacji, prawdopodobieństa i uczenia maszynowego. Zostaną także zaprezentowane wyniki praktyczne, pokazujące np. możliwość skanowania sieci IPv6 na podstawie modeli probabilistycznych. Artykuł zostanie zaprezentowany na konferencji ACM Internet Measurement Conference w Santa Monica, USA (14-16 listopad 2016). Więcej informacji: www.entropy-ip.com

Seminarium poświęcone będzie prezentacji systemu Entropy/IP, który pozwala na odkrywanie i wizualizację struktur adresacyjnych w sieciach IPv6 na podstawie zaobserwowanych zbiorów aktywnych adresów. System jest w pełni zautomatyzowany, opiera się na metodach teorii informacji, prawdopodobieństa i uczenia maszynowego. Zostaną także zaprezentowane wyniki praktyczne, pokazujące np. możliwość skanowania sieci IPv6 na podstawie modeli probabilistycznych. Artykuł zostanie zaprezentowany na konferencji ACM Internet Measurement Conference w Santa Monica, USA (14-16 listopad 2016). Więcej informacji: www.entropy-ip.com

Seminarium poświęcone będzie prezentacji systemu Entropy/IP, który pozwala na odkrywanie i wizualizację struktur adresacyjnych w sieciach IPv6 na podstawie zaobserwowanych zbiorów aktywnych adresów. System jest w pełni zautomatyzowany, opiera się na metodach teorii informacji, prawdopodobieństa i uczenia maszynowego. Zostaną także zaprezentowane wyniki praktyczne, pokazujące np. możliwość skanowania sieci IPv6 na podstawie modeli probabilistycznych. Artykuł zostanie zaprezentowany na konferencji ACM Internet Measurement Conference w Santa Monica, USA (14-16 listopad 2016). Więcej informacji: www.entropy-ip.com

In this paper, we introduce Entropy/IP: a system that discovers Internet address structure based on analyses of a subset of IPv6 addresses known to be active, i.e., training data, gleaned by readily available passive and active means. The system is completely automated and employs a combination of information-theoretic and machine learning techniques to probabilistically model IPv6 addresses. We present results showing that our system is effective in exposing structural characteristics of portions of the IPv6 Internet address space populated by active client, service, and router addresses. In addition to visualizing the address structure for exploration, the system uses its models to generate candidate target addresses for scanning. For each of 15 evaluated datasets, we train on 1K addresses and generate 1M candidates for scanning. We achieve some success in 14 datasets, finding up to 40% of the generated addresses to be active. In 11 of these datasets, we find active network identifiers (e.g., /64 prefixes or `subnets') not seen in training. Thus, we provide the first evidence that it is practical to discover subnets and hosts by scanning probabilistically selected areas of the IPv6 address space not known to contain active hosts a priori.