Contexte Métier
Le département Cybersécurité veut identifier les points de défaillance critiques (Single Points of Failure) dans un réseau informatique massif (milliers de serveurs). Le calcul exact de l'intermédiarité (Betweenness) étant trop coûteux en temps CPU sur un graphe complet, nous testons l'approximation par échantillonnage.
Préparation des Données
Génération procédurale d'un grand réseau maillé aléatoire.
Copié !
| 1 | |
| 2 | DATA mycas.grand_reseau; |
| 3 | call streaminit(123); |
| 4 | DO i=1 to 10000; |
| 5 | from = 'Srv_' || strip(put(rand('integer', 1, 1000), best.)); |
| 6 | to = 'Srv_' || strip(put(rand('integer', 1, 1000), best.)); |
| 7 | IF from ne to THEN OUTPUT; |
| 8 | END; |
| 9 | |
| 10 | RUN; |
| 11 |
Étapes de réalisation
1
Vérification de la volumétrie initiale.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | SIMPLE.numRows / TABLE={name='grand_reseau'}; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Exécution de 'centrality' avec samplePercent pour optimiser la performance.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | network.centrality / links={name='grand_reseau'} direction='UNDIRECTED' between='UNWEIGHT' samplePercent=10.0 outNodes={name='points_critiques', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
L'action doit s'exécuter rapidement (grâce à l'échantillonnage de 10%) et fournir une table 'points_critiques' identifiant les serveurs 'ponts' (haute intermédiarité) sans erreur de mémoire, malgré la taille du graphe.