基于神经网络的流量异常检测

### 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