毕业设计基于机器学习的恶意加密流量监测平台系统python源码(含说明文档、模型文件).zip

1.项目代码功能经验证ok，确保稳定可靠运行。欢迎下载使用！在使用过程中，如有问题或建议，请及时私信沟通。 2.主要针对各个计算机相关专业，包括计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师或企业员工使用。 3.项目具有丰富的拓展空间，不仅可作为入门进阶，也可直接作为毕设、课程设计、大作业、初期项目立项演示等用途。 4.当然也鼓励大家基于此进行二次开发。 5.期待你能在项目中找到乐趣和灵感，也欢迎你的分享和反馈！ 【资源说明】 背景介绍 随着近年来HTTPS的普及，加密恶意流量攻击的比例也在逐渐提升。根据报告,目前加密通信的恶意软件基本已经覆盖所有的攻击类型，例如特洛伊木马、勒索软件、感染式、蠕虫病毒、下载器等，其中特洛伊木马和下载器类的恶意软件家族占比较高。 模型训练： 1. cd到traffic_platform目录下 2. 键入 python -m traffic_platform.train_test.main --train --updata_goodset=True --updata_badset=True 模型预测结果（不需训练）： 1. cd到traffic_platform目录下 2. 键入 python -m traffic_platform.train_test.main --train 基于Flask的流量监测平台 1. cd到traffic_platform目录下 2. 键入python -m traffic_platform.web_platform.runserver 当前的工作结果 1. 基于Scapy的正常流量样本的采集（getgoodx.py）,以及对于大规模攻击样本数据包的解析(pcap); 2. 数据清洗、过滤和特征工程（这是非常困难的一个步骤，因为特征工程的好坏基本决定了模型的质量上限） 3. 多种不同的机器学习模型,基于安全攻防系统的可维护性和可解释性的业务要求，重点是SVM、随机森林以及集成学习算法，这三者的落地业务场景十分不同,后续版本后说明。 4. 用户友好的基于Flask的流量文件上传和监测界面