Notes

subsubsection*{Download pro EDV-Raum}

Für diese Analyse müssen zuerst alle IP-Adressen der Geräte in den EDV-Räumen aufgenommen werden. Das Team ging an einem Nachmittag von einem PC zum anderen, um die IP-Adressen zu notieren. Mittels diesen IP-Adressen kann nun ein PC einem bestimmten Raum zugeordnet werden.

begin{lstlisting}[caption={Die Iteration der Daten für die Analyse - Traffic pro EDV-Raum},label={Die Iteration der Daten für die Analyse - Traffic pro EDV-Raum}]
ip = str(rec["srcip"]).strip()
if "rcvdbyte" in rec and re.match("10.2.(35|45|19)..*",ip):
check_value = check_ip_in_room(ip)
if check_value == 3:
raum_liste["EDV-3"] += int(rec["rcvdbyte"])
if check_value == 4:
raum_liste["EDV-4"] += int(rec["rcvdbyte"])
if check_value == 5:
raum_liste["EDV-5"] += int(rec["rcvdbyte"])
if check_value == 6:
raum_liste["EDV-6"] += int(rec["rcvdbyte"])
if check_value == 7:
raum_liste["EDV-7"] += int(rec["rcvdbyte"])
if check_value == 8:
raum_liste["EDV-8"] += int(rec["rcvdbyte"])
end{lstlisting}

Der erste Schritt ist mittels Regex herauszufinden, ob es sich um eine IP-Adresse aus den EDV-Räumen handelt und ob der Eintrag aus der Datenbank ein glqq rcvdbytegrqq{}-Feld besitzt. Dieses gibt die Menge der heruntergeladenen Daten in Byte an. Das Team erkennt anhand des Subnetzes, ob es sich möglicherweise um eine IP-Adresse aus den EDV-Räumen handelt.
Wenn ja, dann wird diese IP-Adresse gegen eine Liste geprüft, welche alle IP-Adressen der Räume beinhaltet. Sobald die IP-Adresse mit einer übereinstimmt, wird eine Zahl zurückgeliefert, welche angibt, aus welchem EDV-Raum die IP-Adresse stammt. Somit wird im Counter namens glqq raumverb|_|listegrqq{}, unter dem richtigen EDV-Saal, die heruntergeladene Datenmenge dazu gezählt.

Anschließend wird die Visualisierung durchgeführt. Hierbei verwendet das Team wieder Pandas, um die Daten an Seaborn weiterzugeben. Per List-Comprehension wird der Counter in die Felder des Pandas-Dataframe-Objektes gefüllt.