基于神经网络的流量异常检测
98
stars
12
forks
source link
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