#
#
#  Na poczatku pragnę przeprosić za analizę jedynie 10% zamiast całego zbioru, lecz moje ograniczenia techniczne nie pozwalają mi
#  na puszczenie tego na pełnych danych bez spalenia mojego sprzętu. Mam nadzieję że zostanie mi to wybaczone :)
#
#

library(ggplot2)

headers <- c('back','buffer_overflow','ftp_write','guess_passwd','imap','ipsweep','land','loadmodule','multihop','neptune','nmap','normal','perl','phf','pod','portsweep','rootkit','satan','smurf','spy','teardrop','warezclient','warezmaster',
             'duration',
             'protocol_type',
             'service',
             'flag',
             'src_bytes',
             'dst_bytes',
             'land',
             'wrong_fragment',
             'urgent',
             'hot',
             'num_failed_logins',
             'logged_in',
             'num_compromised',
             'root_shell',
             'su_attempted',
             'num_root',
             'num_file_creations',
             'num_shells',
             'num_access_files',
             'num_outbound_cmds',
             'is_host_login',
             'is_guest_login',
             'count',
             'srv_count',
             'serror_rate',
             'srv_serror_rate',
             'rerror_rate',
             'srv_rerror_rate',
             'same_srv_rate',
             'diff_srv_rate',
             'srv_diff_host_rate',
             'dst_host_count',
             'dst_host_srv_count',
             'dst_host_same_srv_rate',
             'dst_host_diff_srv_rate',
             'dst_host_same_src_port_rate',
             'dst_host_srv_diff_host_rate',
             'dst_host_serror_rate',
             'dst_host_srv_serror_rate',
             'dst_host_rerror_rate',
             'dst_host_srv_rerror_rate')


kddcup99 <- read.csv('kddcup99/Data/kddcup.data_10_percent_corrected', col.names = headers)

# nie do końca rozumiem czemu w zbiorze są 42 wartości a w http://kdd.ics.uci.edu/databases/kddcup99/kddcup.names są podane 64 kolumny...
# do tego kolumny nie zgadzają mi się do końca sensem z tym co byłoby w nich, ale patrząc na dane wyciągam i pokazuję
# poniżej 2 najsensowniej wyglądające do analizy kolumny

print('Most common imap in kddcup99:')
print(tail(names(sort(table(kddcup99$imap)))))

print('Most common ipsweep in kddcup99:')
print(tail(names(sort(table(kddcup99$ipsweep)))))