Changeset 13


Ignore:
Timestamp:
07/19/15 15:05:42 (9 years ago)
Author:
tim
Message:

.

Location:
trunk
Files:
5 edited

Legend:

Unmodified
Added
Removed
  • trunk/bin/graph

    r12 r13  
    8181diff_overtime.sort()
    8282
     83print('packet_rtt diff mean: %f' % statistics.mean(diffs))
    8384print('packet_rtt diff median: %f' % statistics.median(diffs))
    8485print('packet_rtt diff midhinge: %f' % midsummary(diffs))
     
    8687print('packet_rtt diff quadsummary: %f' % quadsummary(diffs))
    8788print('packet_rtt diff ubersummary: %f' % ubersummary(diffs))
     89print('packet_rtt diff septasummary: %f' % septasummary(diffs))
    8890print('packet_rtt diff MAD: %f' % mad(diffs))
    8991try:
     
    9193    print('reported diff quadsummary: %f' % quadsummary(reported_diffs))
    9294    print('reported diff ubersummary: %f' % ubersummary(reported_diffs))
     95    print('reported diff septasummary: %f' % septasummary(reported_diffs))
    9396    print('reported diff MAD: %f' % mad(reported_diffs))
    9497
    95     import cProfile
    96     start = time.time()
    97     kresults = kfilter({},diffs)
     98    #import cProfile
     99    #start = time.time()
     100    #kresults = kfilter({},diffs)
    98101    #print('packet_rtt diff kfilter: ', numpy.mean(kresults['est']), kresults['var'])
    99     print('packet_rtt diff kfilter: ', kresults['est'][-1], kresults['var'][-1])
    100     kresults = kfilter({},reported_diffs)
     102    #print('packet_rtt diff kfilter: ', kresults['est'][-1], kresults['var'][-1])
     103    #kresults = kfilter({},reported_diffs)
    101104    #print('reported diff kfilter: ', numpy.mean(kresults['est']), kresults['var'][-1])
    102     print('reported diff kfilter: ', kresults['est'][-1], kresults['var'][-1])
    103     print("kfilter time: %f" % (time.time()-start))
     105    #print('reported diff kfilter: ', kresults['est'][-1], kresults['var'][-1])
     106    #print("kfilter time: %f" % (time.time()-start))
    104107except:
    105108    pass
     
    111114
    112115
     116
     117
     118def testKalman4D(params=None):
     119    from pykalman import KalmanFilter
     120    train = db.subseries('train','long', offset=0)
     121    test = db.subseries('test','long', offset=0)
     122    null = db.subseries('train_null','long', offset=0)
     123    measurements = numpy.asarray([(s['unusual_packet'],s['other_packet'],s['unusual_tsval'],s['other_tsval']) for s in (train+test)])
     124    null_measurements = numpy.asarray([(s['unusual_packet'],s['other_packet'],s['unusual_tsval'],s['other_tsval']) for s in null])
     125   
     126    if params == None:
     127        kf = KalmanFilter(n_dim_obs=4, n_dim_state=4,
     128                          initial_state_mean=[quadsummary([s['unusual_packet'] for s in train]),
     129                                              quadsummary([s['other_packet'] for s in train]),
     130                                              numpy.mean([s['unusual_tsval'] for s in train]),
     131                                              numpy.mean([s['other_tsval'] for s in train])])
     132        kf = KalmanFilter(n_dim_obs=4, n_dim_state=4)
     133       
     134        start=time.time()
     135        kf = kf.em(measurements[0:len(train)]+null_measurements[0:50000], n_iter=10,
     136                   em_vars=('transition_matrices',
     137                            'observation_matrices',
     138                            'transition_offsets',
     139                            'observation_offsets',
     140                            'transition_covariance',
     141                            'observation_covariance',
     142                            'initial_state_mean',
     143                            'initial_state_covariance'))
     144        params = {'transition_matrices': kf.transition_matrices.tolist(),
     145                  'observation_matrices': kf.observation_matrices.tolist(),
     146                  'transition_offsets': kf.transition_offsets.tolist(),
     147                  'observation_offsets': kf.observation_offsets.tolist(),
     148                  'transition_covariance': kf.transition_covariance.tolist(),
     149                  'observation_covariance': kf.observation_covariance.tolist(),
     150                  'initial_state_mean': kf.initial_state_mean.tolist(),
     151                  'initial_state_covariance': kf.initial_state_covariance.tolist()}
     152        print("Learned Params:\n")
     153        import pprint
     154        pprint.pprint(params)
     155        print("pykalman em time: %f" % (time.time()-start))
     156       
     157    #kf = KalmanFilter(n_dim_obs=2, n_dim_state=2, **params)
     158
     159    num_obs=5000
     160    for offset in range(50000,100000+num_obs,num_obs):
     161        start=time.time()
     162        m = measurements[offset:offset+num_obs]
     163        #params['initial_state_mean']=[quadsummary([s[0] for s in m]),
     164        #                              quadsummary([s[1] for s in m]),
     165        #                              numpy.mean([s[2] for s in m]),
     166        #                              numpy.mean([s[3] for s in m])]
     167        kf = KalmanFilter(n_dim_obs=4, n_dim_state=4, **params)
     168        (smoothed_state_means, smoothed_state_covariances) = kf.smooth(m)
     169        #print("pykalman smooth time: %f" % (time.time()-start))
     170        up = numpy.mean([m[0] for m in smoothed_state_means])
     171        op = numpy.mean([m[1] for m in smoothed_state_means])
     172        #print("packet_rtt pykalman final:", smoothed_state_means[-1][0]-smoothed_state_means[-1][1])
     173        print("packet_rtt pykalman mean:", up-op)
     174        print("packet_rtt mean:", numpy.mean([s[0]-s[1] for s in m]))
     175        #up = numpy.mean([m[2] for m in smoothed_state_means])
     176        #op = numpy.mean([m[3] for m in smoothed_state_means])
     177        #print("tsval_rtt pykalman final:", smoothed_state_means[-1][2]-smoothed_state_means[-1][3])
     178        #print("tsval_rtt pykalman mean:", up-op)
     179        #print("tsval_rtt mean:", numpy.mean([s[2]-s[3] for s in m]))
     180
     181    for offset in range(0,len(null_measurements)+num_obs,num_obs):
     182        start=time.time()
     183        m = null_measurements[offset:offset+num_obs]
     184        #params['initial_state_mean']=[quadsummary([s[0] for s in m]),
     185        #                              quadsummary([s[1] for s in m]),
     186        #                              numpy.mean([s[2] for s in m]),
     187        #                              numpy.mean([s[3] for s in m])]
     188        kf = KalmanFilter(n_dim_obs=4, n_dim_state=4, **params)
     189        (smoothed_state_means, smoothed_state_covariances) = kf.smooth(m)
     190        up = numpy.mean([m[0] for m in smoothed_state_means])
     191        op = numpy.mean([m[1] for m in smoothed_state_means])
     192        #print("null packet_rtt pykalman final:", smoothed_state_means[-1][0]-smoothed_state_means[-1][1])
     193        print("null packet_rtt pykalman mean:", up-op)
     194        print("null packet_rtt mean:", numpy.mean([s[0]-s[1] for s in m]))
     195        #up = numpy.mean([m[2] for m in smoothed_state_means])
     196        #op = numpy.mean([m[3] for m in smoothed_state_means])
     197        #print("null tsval_rtt pykalman final:", smoothed_state_means[-1][2]-smoothed_state_means[-1][3])
     198        #print("null tsval_rtt pykalman mean:", up-op)
     199        #print("null tsval_rtt mean:", numpy.mean([s[2]-s[3] for s in m]))
     200
     201       
     202
     203echo_vm_5k={'initial_state_covariance': [[33599047.5,
     204                               -18251285.25,
     205                               3242535690.59375,
     206                               -8560730487.84375],
     207                              [-18251285.25,
     208                               9914252.3125,
     209                               -1761372688.59375,
     210                               4650260880.1875],
     211                              [3242535690.59375,
     212                               -1761372688.59375,
     213                               312926663745.03125,
     214                               -826168494791.7188],
     215                              [-8560730487.84375,
     216                               4650260880.1875,
     217                               -826168494791.7188,
     218                               2181195982530.4688]],
     219 'initial_state_mean': [12939012.5625,
     220                        12934563.71875,
     221                        13134751.608,
     222                        13138990.9985],
     223 'observation_covariance': [[11960180434.411114,
     224                             4760272534.795976,
     225                             8797551081.431936,
     226                             6908794128.927051],
     227                            [4760272534.795962,
     228                             12383598172.428213,
     229                             5470747537.2599745,
     230                             11252625555.297853],
     231                            [8797551081.431955,
     232                             5470747537.2601185,
     233                             1466222848395.7058,
     234                             72565713883.12643],
     235                            [6908794128.927095,
     236                             11252625555.297981,
     237                             72565713883.12654,
     238                             1519760903943.507]],
     239 'observation_matrices': [[1.4255288693095167,
     240                           -0.4254638445329988,
     241                           0.0003406844036817347,
     242                           -0.0005475021956726778],
     243                          [-0.46467270827589857,
     244                           1.4654311778340343,
     245                           -0.0003321330280128265,
     246                           -0.0002853945703691352],
     247                          [-0.2644570970067974,
     248                           -0.33955835481495455,
     249                           1.7494161615202275,
     250                           -0.15394117603733548],
     251                          [-0.3419097544041847,
     252                           -0.23992883666045373,
     253                           -0.15587790880447727,
     254                           1.7292393175137022]],
     255 'observation_offsets': [165.2279084503762,
     256                         157.76807691937614,
     257                         168.4235495099334,
     258                         225.33433430227353],
     259 'transition_covariance': [[2515479496.145993,
     260                            -401423541.70620924,
     261                            1409951418.1627903,
     262                            255932902.74454522],
     263                           [-401423541.706214,
     264                            2744353887.676857,
     265                            1162316.2019491254,
     266                            1857251491.3987627],
     267                           [1409951418.1628358,
     268                            1162316.2020361447,
     269                            543279068599.8229,
     270                            -39399311190.5746],
     271                           [255932902.74459982,
     272                            1857251491.398838,
     273                            -39399311190.574585,
     274                            537826124257.5266]],
     275 'transition_matrices': [[0.52163952865412,
     276                          0.47872618354122665,
     277                          -0.0004322286766109684,
     278                          0.00017293351811531466],
     279                         [0.5167436693545113,
     280                          0.48319044922845933,
     281                          7.765428142114672e-05,
     282                          -0.00021518950285326355],
     283                         [0.2091705950622469,
     284                          0.41051399729482796,
     285                          0.19341113299389256,
     286                          0.19562916616052917],
     287                         [0.368592004009912,
     288                          0.22263632461118732,
     289                          0.20756792378812872,
     290                          0.20977025833570906]],
     291 'transition_offsets': [592.5708159274,
     292                        583.3804671015271,
     293                        414.4187239098291,
     294                        562.166786712371]}
     295
     296echo_vm_5k={'initial_state_covariance': [[0.375, 0.0, 0.0, 0.0],
     297                              [0.0, 0.375, 0.0, 0.0],
     298                              [0.0, 0.0, 0.375, 0.0],
     299                              [0.0, 0.0, 0.0, 0.375]],
     300 'initial_state_mean': [15997944.198361743,
     301                        16029825.435899183,
     302                        17093077.26228404,
     303                        17524263.088803563],
     304 'observation_covariance': [[36572556646.179054,
     305                             21816054953.37006,
     306                             31144379008.310543,
     307                             19651005729.823025],
     308                            [21816054953.372543,
     309                             440428106325.20325,
     310                             41103447776.740585,
     311                             427146570672.51227],
     312                            [31144379008.31037,
     313                             41103447776.74027,
     314                             3280009435458.6953,
     315                             458734528073.65686],
     316                            [19651005729.82234,
     317                             427146570672.5109,
     318                             458734528073.6557,
     319                             3769493190697.773]],
     320 'observation_matrices': [[1.0248853427592337,
     321                           -0.031198859962501047,
     322                           0.001613706836380402,
     323                           0.004720209443291878],
     324                          [-0.8604422900368718,
     325                           1.8583369609057172,
     326                           -0.0022646214457040514,
     327                           0.004437933935378169],
     328                          [-0.5814771409524866,
     329                           0.22228184387142846,
     330                           1.6259599749174072,
     331                           -0.271594798325566],
     332                          [-0.5862601003257453,
     333                           0.2598285939005791,
     334                           -0.28286590143513024,
     335                           1.604087079832425]],
     336 'observation_offsets': [1979.4518332096984,
     337                         1889.3380163762793,
     338                         2132.9112026744906,
     339                         1750.7759421584785],
     340 'transition_covariance': [[6176492087.271547,
     341                            762254719.4171592,
     342                            4584288694.652873,
     343                            3044796192.4357214],
     344                           [762254719.4185101,
     345                            173302376079.4761,
     346                            5261303152.757347,
     347                            167562483383.9925],
     348                           [4584288694.651718,
     349                            5261303152.755746,
     350                            1056156956874.4131,
     351                            -115859156952.07962],
     352                           [3044796192.434162,
     353                            167562483383.9901,
     354                            -115859156952.08018,
     355                            1225788436266.3086]],
     356 'transition_matrices': [[0.9673912485796876,
     357                          0.03252962227543321,
     358                          0.0006756067792537124,
     359                          -0.0006566638567164773],
     360                         [0.9548761966068113,
     361                          0.03841774395880293,
     362                          0.00426067282319309,
     363                          0.002303362691861821],
     364                         [0.6215040230859188,
     365                          -0.2584476837756142,
     366                          0.3176491193420503,
     367                          0.3241682768126566],
     368                         [0.6634028281470279,
     369                          -0.33548335246018723,
     370                          0.3298144902195048,
     371                          0.3475836278392421]],
     372 'transition_offsets': [1751.3049487348183,
     373                        1764.989515773476,
     374                        1986.8405778425586,
     375                        2232.830254345267]}
     376#testKalman4D(echo_vm_5k)
     377
     378
     379
     380def testKalman(params=None):
     381    from pykalman import AdditiveUnscentedKalmanFilter,KalmanFilter
     382    train = db.subseries('train','long', offset=0)
     383    test = db.subseries('test','long', offset=0)
     384    measurements = numpy.asarray([(s['unusual_packet'],s['other_packet']) for s in (train+test)])
     385
     386    #kf = KalmanFilter(transition_matrices = [[1, 1], [0, 1]], observation_matrices = [[0.1, 0.5], [-0.3, 0.0]])
     387    kf = KalmanFilter(n_dim_obs=2, n_dim_state=2,
     388                      initial_state_mean=[quadsummary([s['unusual_packet'] for s in train]),
     389                                          quadsummary([s['other_packet'] for s in train])])
     390    #kf = AdditiveUnscentedKalmanFilter(n_dim_obs=2, n_dim_state=2)
     391
     392    if params == None:
     393        start=time.time()
     394        kf = kf.em(measurements[0:len(train)], n_iter=10,
     395                   em_vars=('transition_matrices',
     396                            'observation_matrices',
     397                            'transition_offsets',
     398                            'observation_offsets',
     399                            'transition_covariance',
     400                            'observation_covariance',
     401                            'initial_state_covariance'))
     402        params = {'transition_matrices': kf.transition_matrices.tolist(),
     403                  'observation_matrices': kf.observation_matrices.tolist(),
     404                  'transition_offsets': kf.transition_offsets.tolist(),
     405                  'observation_offsets': kf.observation_offsets.tolist(),
     406                  'transition_covariance': kf.transition_covariance.tolist(),
     407                  'observation_covariance': kf.observation_covariance.tolist(),
     408                  'initial_state_mean': kf.initial_state_mean.tolist(),
     409                  'initial_state_covariance': kf.initial_state_covariance.tolist()}
     410        print("Learned Params:\n")
     411        import pprint
     412        pprint.pprint(params)
     413        print("pykalman em time: %f" % (time.time()-start))
     414       
     415    #kf = KalmanFilter(n_dim_obs=2, n_dim_state=2, **params)
     416
     417    num_obs=10000
     418    for offset in range(50000,100000+num_obs,num_obs):
     419        start=time.time()
     420        kf = KalmanFilter(n_dim_obs=2, n_dim_state=2, **params)
     421        m = measurements[offset:offset+num_obs]
     422        (smoothed_state_means, smoothed_state_covariances) = kf.smooth(m)
     423        print("pykalman smooth time: %f" % (time.time()-start))
     424        up = numpy.mean([m[0] for m in smoothed_state_means])
     425        op = numpy.mean([m[1] for m in smoothed_state_means])
     426        print("packet_rtt pykalman final:", smoothed_state_means[-1][0]-smoothed_state_means[-1][1])
     427        print("packet_rtt pykalman mean:", up-op)
     428        print("packet_rtt mean:", numpy.mean([s[0]-s[1] for s in m]))
     429
     430
     431five_iter = {'observation_offsets': [-54.53185823, -55.25219184],
     432            'observation_covariance': [[  1.15059170e+10,   4.36743765e+09],
     433                                       [  4.36743765e+09,   1.19410313e+10]],
     434            'initial_state_mean': [ 12939012.5625 ,  12934563.71875],
     435            'transition_covariance': [[  2.98594543e+09,   6.86355073e+07],
     436                                      [  6.86355073e+07,   3.21368699e+09]],
     437            'initial_state_covariance': [[  2.36836696e+09,   1.63195635e+09],
     438                                         [  1.63195635e+09,   1.12452233e+09]],
     439            'transition_offsets': [ 343.69740217,  338.5042467 ],
     440            'observation_matrices': [[ 1.42539895, -0.4255261 ],
     441                                     [-0.46280375,  1.46295189]],
     442            'transition_matrices': [[ 0.56151623,  0.4385931 ],
     443                                    [ 0.47309189,  0.52673508]]}
     444ten_iter = {'initial_state_covariance': [[229936928.28125, 41172601.0],
     445                                         [41172601.0, 7372383.46875]],
     446            'initial_state_mean': [12939012.5625, 12934563.71875],
     447            'observation_covariance': [[11958914107.88334, 4761048283.066559],
     448                                       [4761048283.066557, 12388186543.42032]],
     449            'observation_matrices': [[1.4258395826727792, -0.42598392357467674],
     450                                     [-0.4647443890462455, 1.4648767294384015]],
     451            'observation_offsets': [165.409715349344, 157.96206130876212],
     452            'transition_covariance': [[2515594742.7187943, -401728959.41375697],
     453                                      [-401728959.41375697, 2743831805.402682]],
     454            'transition_matrices': [[0.521306461057975, 0.47879632652984583],
     455                                    [0.5167881285851763, 0.483006520280469]],
     456            'transition_offsets': [592.4419187566978, 583.2272403965366]}
     457#testKalman(ten_iter)
     458
     459
    113460def getTCPTSPrecision():
    114461    cursor = db.conn.cursor()
    115     query="""SELECT tcpts_mean FROM meta;"""
     462    query="""SELECT tcpts_mean FROM meta"""
    116463    cursor.execute(query)
    117464    row = cursor.fetchone()
     
    170517    #plt.savefig('paper/graphs/dists-vs-dist-of-diffs2.svg')
    171518
    172 tsFilteredHistogram()
    173 sys.exit(0)
    174 
    175 
    176 from pykalman import KalmanFilter
    177 #kf = KalmanFilter(transition_matrices = [[1, 1], [0, 1]], observation_matrices = [[0.1, 0.5], [-0.3, 0.0]])
    178 kf = KalmanFilter(transition_matrices = [[1, 0], [0, 1]], n_dim_obs=2, observation_matrices = [[1.0, 0], [0, 1.0]])
    179 
    180 #delta = 1e-5
    181 #trans_cov = delta / (1 - delta) * np.eye(2)
    182 
    183 #kf = KalmanFilter(n_dim_obs=2, n_dim_state=2,
    184 #                  initial_state_mean=np.zeros(2),
    185 #                  initial_state_covariance=np.ones((2, 2)),
    186 #                  transition_matrices=np.eye(2),
    187 #                  observation_matrices=obs_mat,
    188 #                  observation_covariance=1.0,
    189 #                  transition_covariance=trans_cov)
    190 
    191 
    192 #measurements = numpy.asarray([[1,0], [0,0], [0,1]])  # 3 observations
    193 measurements = numpy.asarray([(s['unusual_packet'],s['other_packet']) for s in (db.subseries('train','long')+db.subseries('test','long'))])
    194 kf = kf.em(measurements, n_iter=5)
    195 #(filtered_state_means, filtered_state_covariances) = kf.filter(measurements)
    196 #print("packet_rtt pykalman:", filtered_state_means[-1][0]-filtered_state_means[-1][1])
    197 #print("packet_rtt pykalman:", filtered_state_means[-1])
    198 
    199 (smoothed_state_means, smoothed_state_covariances) = kf.smooth(measurements)
    200 #up = numpy.mean([m[0] for m in smoothed_state_means])
    201 #op = numpy.mean([m[1] for m in smoothed_state_means])
    202 print("packet_rtt pykalman:", smoothed_state_means[-1], smoothed_state_means[-1][0]-smoothed_state_means[-1][1])
    203 #print("packet_rtt pykalman:", up, op, up-op)
     519#tsFilteredHistogram()
     520
     521
     522
    204523
    205524
     
    267586        classifiers.append(c[0])
    268587
     588    max_obs = 0
    269589    for classifier in classifiers:
    270590        query="""
     
    304624        performance = []
    305625        for row in cursor:
     626            max_obs = max(max_obs, row[0])
    306627            num_obs.append(row[0])
    307628            performance.append(row[1])
     
    313634
    314635    plt.legend([l[1] for l in legend], [l[0] for l in legend], scatterpoints=1, fontsize='xx-small')
     636    plt.plot([0, max_obs], [5.0, 5.0], "k--")
    315637    plt.show()
    316638       
  • trunk/bin/train

    r11 r13  
    5555    trainer = classifiers[classifier]['train']
    5656    threshold = 5.0 # in percent
    57     num_obs = 1000
     57    num_obs = 7
    5858    max_obs = int(db.populationSize('train')/5)
    5959    result = None
     
    7575        classifiers[classifier]['train_results'].append(result)
    7676
    77         if error < threshold:
     77        if error < threshold and num_obs > 100:
    7878            break
    7979
  • trunk/lib/nanownlib/__init__.py

    r11 r13  
    176176    my_ip = getLocalIP(target_ip, target_port)
    177177    my_iface = getIfaceForIP(my_ip)
    178     return subprocess.Popen(['chrt', '-r', '99', './bin/csamp', my_iface, my_ip,
     178    return subprocess.Popen(['chrt', '-r', '99', 'nanown-csamp', my_iface, my_ip,
    179179                             target_ip, "%d" % target_port, output_file, '0'])
    180180
     
    256256        suspect += 'R' # reordered received packets
    257257   
    258     packet_rtt = last_rcvd['observed'] - last_sent['observed']
    259     if packet_rtt < 0:
    260         sys.stderr.write("WARN: Negative packet_rtt. last_rcvd=%s,last_sent=%s\n" % (last_rcvd, last_sent))
    261 
    262258    last_sent_ack = None
    263259    try:
    264         last_sent_ack = min(((p['observed'],p) for p in packets
    265                              if p['sent']==0 and p['payload_len']+last_sent['tcpseq']==p['tcpack']))[1]
     260        last_sent_ack = min(((p['tcpack'],p['observed'],p) for p in packets
     261                             if p['sent']==0 and p['payload_len']+last_sent['tcpseq']>=p['tcpack']))[2]
    266262       
    267263    except Exception as e:
    268264        sys.stderr.write("WARN: Could not find last_sent_ack.\n")
    269265
     266    packet_rtt = last_rcvd['observed'] - last_sent['observed']
    270267    tsval_rtt = None
    271268    if None not in (timestamp_precision, last_sent_ack):
    272269        tsval_rtt = int(round((last_rcvd['tsval'] - last_sent_ack['tsval'])*timestamp_precision))
    273270
     271    if packet_rtt < 0 or (tsval_rtt != None and tsval_rtt < 0):
     272        #sys.stderr.write("WARN: Negative packet or tsval RTT. last_rcvd=%s,last_sent=%s\n" % (last_rcvd, last_sent))
     273        suspect += 'N'
     274       
    274275    return {'packet_rtt':packet_rtt,
    275276            'tsval_rtt':tsval_rtt,
     
    279280
    280281
    281 # trimean and mad for each dist of differences
     282# septasummary and mad for each dist of differences
    282283def evaluateTrim(db, unusual_case, strim, rtrim):
    283284    cursor = db.conn.cursor()
     
    292293      FROM (SELECT probes.sample s,packet_rtt FROM probes,trim_analysis WHERE sent_trimmed=:strim AND rcvd_trimmed=:rtrim AND trim_analysis.probe_id=probes.id AND probes.test_case=:unusual_case AND probes.type in ('train','test')) u
    293294    """
    294 
     295    #TODO: check for "N" in suspect field and return a flag
     296   
    295297    params = {"strim":strim,"rtrim":rtrim,"unusual_case":unusual_case}
    296298    cursor.execute(query, params)
    297299    differences = [row[0] for row in cursor]
    298300   
    299     return ubersummary(differences),mad(differences)
     301    return septasummary(differences),mad(differences)
    300302
    301303
     
    362364    for strim in range(0,num_sent):
    363365        for rtrim in range(0,num_rcvd):
     366            #print(strim,rtrim)
    364367            if strim == 0 and rtrim == 0:
    365368                continue # no point in doing 0,0 again
  • trunk/lib/nanownlib/stats.py

    r11 r13  
    166166    #return statistics.mean((l1,l2,l3,m,r3,r2,r1))
    167167
     168   
     169def septasummary(values, distance=25):
     170    left2 = 50-distance
     171    left3 = 50-(distance/2.0)
     172    left1 = left2/2.0
     173    right2 = 50+distance
     174    right3 = 50+(distance/2.0)
     175    right1 = (right2+100)/2.0
     176    l1,l2,l3,m,r3,r2,r1 = numpy.percentile(values, (left1,left2,left3,50,right3,right2,right1))
     177    return (l1+l2+l3+m+r3+r2+r1)/7.0
     178
    168179
    169180def tsvalwmean(subseries):
     
    254265ubersummaryTest = functools.partial(summaryTest, ubersummary)
    255266quadsummaryTest = functools.partial(summaryTest, quadsummary)
     267septasummaryTest = functools.partial(summaryTest, septasummary)
    256268
    257269def rmse(expected, measurements):
     
    327339        else:
    328340            return 0
     341
     342
     343from pykalman import KalmanFilter
     344def pyKalman4DTest(params, greater, samples):
     345    kp = params['kparams']
     346    #kp['initial_state_mean']=[quadsummary([s['unusual_packet'] for s in samples]),
     347    #                          quadsummary([s['other_packet'] for s in samples]),
     348    #                          numpy.mean([s['unusual_tsval'] for s in samples]),
     349    #                          numpy.mean([s['other_tsval'] for s in samples])]
     350    kf = KalmanFilter(n_dim_obs=4, n_dim_state=4, **kp)
     351    smooth,covariance = kf.smooth([(s['unusual_packet'],s['other_packet'],s['unusual_tsval'],s['other_tsval'])
     352                                   for s in samples])
     353    m = numpy.mean(smooth)
     354    if greater:
     355        if m > params['threshold']:
     356            return 1
     357        else:
     358            return 0
     359    else:
     360        if m < params['threshold']:
     361            return 1
     362        else:
     363            return 0
     364   
  • trunk/lib/nanownlib/train.py

    r11 r13  
    300300
    301301
     302from pykalman import KalmanFilter
     303_pykalman4d_params = None
     304_pykalman4d_params = {'observation_covariance': [[11960180434.411114, 4760272534.795976, 8797551081.431936, 6908794128.927051], [4760272534.795962, 12383598172.428213, 5470747537.2599745, 11252625555.297853], [8797551081.431955, 5470747537.2601185, 1466222848395.7058, 72565713883.12643], [6908794128.927095, 11252625555.297981, 72565713883.12654, 1519760903943.507]], 'transition_offsets': [592.5708159274, 583.3804671015271, 414.4187239098291, 562.166786712371], 'observation_offsets': [165.2279084503762, 157.76807691937614, 168.4235495099334, 225.33433430227353], 'initial_state_covariance': [[33599047.5, -18251285.25, 3242535690.59375, -8560730487.84375], [-18251285.25, 9914252.3125, -1761372688.59375, 4650260880.1875], [3242535690.59375, -1761372688.59375, 312926663745.03125, -826168494791.7188], [-8560730487.84375, 4650260880.1875, -826168494791.7188, 2181195982530.4688]], 'initial_state_mean': [12939012.5625, 12934563.71875, 13134751.608, 13138990.9985], 'transition_covariance': [[2515479496.145993, -401423541.70620924, 1409951418.1627903, 255932902.74454522], [-401423541.706214, 2744353887.676857, 1162316.2019491254, 1857251491.3987627], [1409951418.1628358, 1162316.2020361447, 543279068599.8229, -39399311190.5746], [255932902.74459982, 1857251491.398838, -39399311190.574585, 537826124257.5266]], 'observation_matrices': [[1.4255288693095167, -0.4254638445329988, 0.0003406844036817347, -0.0005475021956726778], [-0.46467270827589857, 1.4654311778340343, -0.0003321330280128265, -0.0002853945703691352], [-0.2644570970067974, -0.33955835481495455, 1.7494161615202275, -0.15394117603733548], [-0.3419097544041847, -0.23992883666045373, -0.15587790880447727, 1.7292393175137022]], 'transition_matrices': [[0.52163952865412, 0.47872618354122665, -0.0004322286766109684, 0.00017293351811531466], [0.5167436693545113, 0.48319044922845933, 7.765428142114672e-05, -0.00021518950285326355], [0.2091705950622469, 0.41051399729482796, 0.19341113299389256, 0.19562916616052917], [0.368592004009912, 0.22263632461118732, 0.20756792378812872, 0.20977025833570906]]}
     305_pykalman4d_good_threshold = 2009.25853272
     306_pykalman4d_params = None
     307
     308_pykalman4d_params = {'observation_covariance': [[32932883342.63772, 18054300398.442295, 27538911550.824535, 17152378956.778696], [18054300398.446983, 436546443436.5115, 37327644533.69647, 424485386677.31274], [27538911550.838238, 37327644533.706024, 3276324705772.982, 456017515263.88715], [17152378956.788027, 424485386677.317, 456017515263.88245, 3767844180658.1724]], 'observation_matrices': [[1.025773112769464, -0.028755990114063934, 0.0003540921897382532, 0.0025748564713126143], [-0.8595457826320256, 1.8607522167556567, -0.003520779053701517, 0.002309145982167138], [-0.5806427858959466, 0.22466075141448982, 1.6247192012813798, -0.27363797512617793], [-0.5853369461874607, 0.262177909212312, -0.28415108658843735, 1.6020343138710018]], 'initial_state_mean': [0.0, 0.0, 0.0, 0.0], 'observation_offsets': [549.4498515668686, 484.2106453284049, 648.556719142234, 380.10978090584763], 'transition_covariance': [[4147844406.7768326, -1308763245.5992138, 2920744388.523955, 860096280.797968], [-1308763245.5998695, 171190325905.83395, 3557618712.218984, 165332873663.83142], [2920744388.532502, 3557618712.2283373, 1054894349089.0673, -117551209299.73402], [860096280.805706, 165332873663.83963, -117551209299.73474, 1223605046475.7324]], 'transition_offsets': [1156.9264087977374, 1150.752680207601, 1312.2595286459816, 1267.4069537452415], 'initial_state_covariance': [[667999273207241.0, 669330484615232.1, 713726904326576.2, 731731206363217.4], [669330484615390.9, 670664348906228.8, 715149243295271.9, 733189424910272.2], [713726904326843.4, 715149243295370.6, 762584802695960.9, 781821582244358.5], [731731206363417.0, 733189424910299.0, 781821582244278.6, 801543624134758.0]], 'transition_matrices': [[0.9680677036616316, 0.03260717171917804, 0.0005279411071512641, -0.0012363486571871363], [0.9555219601128613, 0.03851351491891819, 0.00411268796118236, 0.0017357967358293536], [0.622254432930994, -0.2583795512595657, 0.31745705251401546, 0.32357126976364725], [0.6644076824932768, -0.33545285094373867, 0.3295778964272671, 0.34682391469482354]]}
     309_pykalman4d_good_threshold = -253.849393803
     310def trainPyKalman4D(db, unusual_case, greater, num_observations):
     311    global _pykalman4d_params
     312    global _pykalman4d_good_threshold
     313    db.resetOffsets()
     314
     315    if _pykalman4d_params == None:
     316        train = db.subseries('train',unusual_case, offset=0)
     317        null = db.subseries('train_null',unusual_case, offset=0)
     318        train_array = numpy.asarray([(s['unusual_packet'],s['other_packet'],s['unusual_tsval'],s['other_tsval'])
     319                                     for s in train])
     320        null_array = numpy.asarray([(s['unusual_packet'],s['other_packet'],s['unusual_tsval'],s['other_tsval'])
     321                                    for s in null])
     322        kf = KalmanFilter(n_dim_obs=4, n_dim_state=4)
     323        #initial_state_mean=[quadsummary([s['unusual_packet'] for s in train]),
     324        #                                      quadsummary([s['other_packet'] for s in train]),
     325        #                                      numpy.mean([s['unusual_tsval'] for s in train]),
     326        #                                      numpy.mean([s['other_tsval'] for s in train])])
     327
     328        kf = kf.em(train_array+null_array[0:50000], n_iter=10,
     329                   em_vars=('transition_matrices',
     330                            'observation_matrices',
     331                            'transition_offsets',
     332                            'observation_offsets',
     333                            'transition_covariance',
     334                            'observation_covariance',
     335                            'initial_state_covariance'))
     336        _pykalman4d_params = {'transition_matrices': kf.transition_matrices.tolist(),
     337                              'observation_matrices': kf.observation_matrices.tolist(),
     338                              'transition_offsets': kf.transition_offsets.tolist(),
     339                              'observation_offsets': kf.observation_offsets.tolist(),
     340                              'transition_covariance': kf.transition_covariance.tolist(),
     341                              'observation_covariance': kf.observation_covariance.tolist(),
     342                              'initial_state_mean': kf.initial_state_mean.tolist(),
     343                              'initial_state_covariance': kf.initial_state_covariance.tolist()}
     344        print(_pykalman4d_params)
     345   
     346        kf = KalmanFilter(n_dim_obs=4, n_dim_state=4, **_pykalman4d_params)
     347        smoothed,covariance = kf.smooth(train_array)
     348        null_smoothed,covariance = kf.smooth(null_array)
     349
     350        kp = _pykalman4d_params.copy()
     351        #kp['initial_state_mean']=[quadsummary([s['unusual_packet'] for s in train]),
     352        #                          quadsummary([s['other_packet'] for s in train]),
     353        #                          numpy.mean([s['unusual_tsval'] for s in train]),
     354        #                          numpy.mean([s['other_tsval'] for s in train])]
     355        #kf = KalmanFilter(n_dim_obs=4, n_dim_state=4, **kp)
     356        #null_smoothed,covariance = kf.smooth(null_array)
     357       
     358        _pykalman4d_good_threshold = (numpy.mean([m[0]-m[1] for m in smoothed])+numpy.mean([m[0]-m[1] for m in null_smoothed]))/2.0
     359        print(_pykalman4d_good_threshold)
     360
     361   
     362    def trainAux(params, num_trials):
     363        estimator = functools.partial(pyKalman4DTest, params, greater)
     364        estimates = bootstrap3(estimator, db, 'train', unusual_case, num_observations, num_trials)
     365        null_estimates = bootstrap3(estimator, db, 'train_null', unusual_case, num_observations, num_trials)
     366       
     367        bad_estimates = len([e for e in estimates if e != 1])
     368        bad_null_estimates = len([e for e in null_estimates if e != 0])
     369       
     370        false_negatives = 100.0*bad_estimates/num_trials
     371        false_positives = 100.0*bad_null_estimates/num_trials
     372        return false_positives,false_negatives
     373
     374    params = {'threshold':_pykalman4d_good_threshold, 'kparams':_pykalman4d_params}
     375
     376    wt = WorkerThreads(2, trainAux)
     377    num_trials = 50
     378    performance = []
     379    for t in range(-80,100,20):
     380        thresh = _pykalman4d_good_threshold + abs(_pykalman4d_good_threshold)*(t/100.0)
     381        params['threshold'] = thresh
     382        wt.addJob(thresh, (params.copy(),num_trials))
     383    wt.wait()
     384    while not wt.resultq.empty():
     385        job_id,errors = wt.resultq.get()
     386        fp,fn = errors
     387        #performance.append(((fp+fn)/2.0, job_id, fn, fp))
     388        performance.append((abs(fp-fn), job_id, fn, fp))
     389    performance.sort()
     390    #pprint.pprint(performance)
     391    best_threshold = performance[0][1]
     392    #print("best_threshold:", best_threshold)
     393    params['threshold']=best_threshold
     394
     395    wt.stop()
     396   
     397    return {'trial_type':"train",
     398            'num_observations':num_observations,
     399            'num_trials':num_trials,
     400            'params':json.dumps(params, sort_keys=True),
     401            'false_positives':performance[0][3],
     402            'false_negatives':performance[0][2]}
     403
     404
     405
    302406classifiers = {'boxtest':{'train':trainBoxTest, 'test':multiBoxTest, 'train_results':[]},
    303407               'midsummary':{'train':functools.partial(trainSummary, midsummary), 'test':midsummaryTest, 'train_results':[]},
    304                'ubersummary':{'train':functools.partial(trainSummary, ubersummary), 'test':ubersummaryTest, 'train_results':[]},
     408               #'ubersummary':{'train':functools.partial(trainSummary, ubersummary), 'test':ubersummaryTest, 'train_results':[]},
    305409               'quadsummary':{'train':functools.partial(trainSummary, quadsummary), 'test':quadsummaryTest, 'train_results':[]},
    306                'tsvalwmean':{'train':trainTsval, 'test':tsvalwmeanTest, 'train_results':[]},
     410               'septasummary':{'train':functools.partial(trainSummary, septasummary), 'test':septasummaryTest, 'train_results':[]},
     411               #'pykalman4d':{'train':trainPyKalman4D, 'test':pyKalman4DTest, 'train_results':[]},
     412               #'tsvalwmean':{'train':trainTsval, 'test':tsvalwmeanTest, 'train_results':[]},
    307413               #'kalman':{'train':trainKalman, 'test':kalmanTest, 'train_results':[]},
    308414               #'_trimean':{'train':None, 'test':trimeanTest, 'train_results':[]},
Note: See TracChangeset for help on using the changeset viewer.