项目介绍

• 本项目为基于神经网络的流量异常检测——Traffic Anomaly Detection based on Neural Network
• 随着网络规模的不断扩大，危害系统资源的危险也在增加，而入侵检测系统（IDS）有助于检测恶意入侵的机制，本项目使用基于网络的IDS，结合流行的深度神经网络，实现基于深度神经网络的流量异常检测（DNN-IDS）

研究内容

• 网络入侵检测系统（NIDS）被创建用来有效地防御各种类型的网络攻击，并进一步保护网络系统正常运行。目前主要的研究方向是基于异常的检测方法，通过分析网络流量来学习正常和异常行为，尝试将神经网络模型应用到入侵检测中，来解决高误报率的问题

技术要求

• 预处理数据集
  • 数据集选择CICIDS2017，这是加拿大网络安全研究所于2017年发布的数据集
  • 使用Pandas对CICIDS2017数据集进行数据预处理，清洗数据集并标准化
• 使用DNN或LSTM进行建模
  • 利用内嵌于TensorFlow中的Keras建立神经网络模型
• TensorFlow开源机器学习平台
• 优化模型，调整超参数

模型设计流程

• 数据预处理
  • 整合数据
  • 选取特征，转换特征的数据类型（Pandas）
  • 数据集分割、标准化（Scikit-learn）
• 模型构建
  • 构造输入（to tf.data.Dataset）
  • 网络结构
  • 编译、训练模型
• 模型优化
  • 合适的激活函数
  • 合适的网络结构
  • 模型的可视化与复用