机器学习作业，机器学习和深度学习方法实现的入侵检测+源代码+文档说明+数据集

# 机器学习及深度学习实现IDS✨ ## 1、说明 - 本文档用来记录机器学习课程作业，完成机器学习及深度学习实现入侵检测。 - 数据集为UNSW_NB15官方数据集，42列特征，一列标签，二分类问题； - 采用的方法为：① 特征处理；② Pearson过滤和随机森林特征选择；③ CNN训练 - 参考的文档为《基于深度神经网络的网络入侵检测技术》 [数据集官网:](https://research.unsw.edu.au/projects/unsw-nb15-dataset) [数据集下载地址](https://cloudstor.aarnet.edu.au/plus/index.php/s/2DhnLGDdEECo4ys?path=%2FUNSW-NB15%20-%20CSV%20Files) ## 2、代码 运行代码前确保安装有sklearn包和Tensorflow以及keras，注意Tensorflow和keras的对应关系。 `pip install -r requirements.txt`安装环境依赖即可 代码的结构如下： <img src="https://gitee.com/kkkcstx/kkkcs/raw/master/img/20220419092935.png" style="zoom: 67%;" /> `StrTonum.py`：将数值型特征转化为字符型，才能送入模型训练； `Min-max`：对数据进行归一化处理，加快模型的训练； `Balanced.py`：对正负样本个数进行平衡处理，参考论文中ADASYN算法； `Pearson.py`：计算不同特征及之间的相关性系数； `Find_feature.py`：随机森林进行特征选择； `Pro_Testdata.py`：对测试数据进行处理，确保测试集和在训练集上筛选出的特征一致； `CNN.py`：keras搭建CNN网络进行训练； 整个代码的运行流程按上述流程即可; ## 3、CNN的结构 CNN为自己搭建的网络，网络的结构如下： 两层conv，两层pool、两层全连接，以及Dropout。 <img src="https://gitee.com/kkkcstx/kkkcs/raw/master/img/20220419093337.png" style="zoom: 67%;" /> ## 4、效果 通过特征选择以及平衡正负样本个数，最终CNN在测试集上的准确率为89% `train`：  `test`：  ## 5、Later 未完待续！