Advertisement

处理过的入侵检测数据集

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本数据集包含经过预处理和特征选择的网络入侵事件记录，旨在提高机器学习模型在网络安全中的应用效率与准确度。 使用Python对入侵检测数据集nsl-kdd进行预处理，包括将字符转换为数据，并进行数值标准化处理。所采用的数据子集中包含了百分之20的数据。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 处理过的入侵检测数据集
    优质
    本数据集包含经过预处理和特征选择的网络入侵事件记录，旨在提高机器学习模型在网络安全中的应用效率与准确度。 使用Python对入侵检测数据集nsl-kdd进行预处理，包括将字符转换为数据，并进行数值标准化处理。所采用的数据子集中包含了百分之20的数据。
     
  • 2017年入侵检测数据集
    优质
    2017年入侵检测数据集包含广泛网络活动记录，旨在识别并防范网络安全威胁。该数据集涵盖多种攻击模式，为研究人员提供真实场景下的测试环境，助力开发先进的入侵检测系统。 由于原文件超出220M，请在下载好该文件后联系我，我会提供原始CSV文件及.pcap格式的网络流量数据（如有需要）。分数要求不高，因为我在这个研究方向上有所涉猎，希望能与有志之士共同探讨。使用此数据集时请注明出处。我在寻找此类数据集的过程中花费了大量时间，除了上传的数据之外还有其他可用资源，请随时询问我是否有你需要的内容。
     
  • KDD CUP99入侵检测数据集
    优质
    KDD CUP99入侵检测数据集是用于网络安全领域中机器学习研究的重要资源，包含大量模拟网络通信记录，旨在帮助识别并防范各种网络攻击行为。 KDD CUP99 数据集是从一个模拟的美国空军局域网上采集来的九周网络连接数据，并被划分为包含标识符的训练数据以及无标识符的测试数据。由于其概率分布不同，且测试集中包含了一些未在训练集中出现过的攻击类型，因此它更贴近实际入侵检测需求。训练集包括一种正常状态（normal）和22种已知攻击类型，而另外14种攻击仅出现在测试数据中。
     
  • KDD99入侵检测数据的预处理与分类源码及数据集
    优质
    本资源包含用于KDD99入侵检测竞赛的数据预处理代码和完整数据集，旨在帮助研究人员和学生进行机器学习模型训练与评估。 对于入侵检测的研究需要大量有效的实验数据。这些数据可以通过抓包工具采集，例如Unix下的Tcpdump或Windows下的libpcap，也可以使用专门的软件如Snort来捕捉数据包，并生成连接记录作为数据源。 本段落采用的数据集是KDDCup99网络入侵检测数据集，该数据集用于基于数据挖掘技术的研究。
     
  • CAN总线入侵检测的数据集
    优质
    本数据集专注于CAN总线入侵检测，包含大量网络通信记录及模拟攻击样本，旨在评估和提升车辆网络安全防护技术。 DoS_attack_dataset_no_zero.csv 和 Add_DoS_attack_dataset1.csv 两个数据文件中包含不同的内容：前者不包含任何攻击块，而后者包含了用 ID=0 标识的攻击块。相关实验过程已在博客文章中有详细描述。
     
  • CICIDS2017入侵检测评估数据集
    优质
    CICIDS2017是由加拿大滑铁卢大学网络科学研究所发布的入侵检测系统评估数据集，旨在为研究人员提供真实流量环境下机器学习模型训练和测试资源。 这是Intrusion Detection Evaluation Dataset (CICIDS2017)数据集中星期五所测得的数据。其余4天的数据可以私下交流，可能会收取一定的手工费，因为国外实验室获取这些数据集比较困难。
     
  • NSL-KDD入侵检测数据集.zip
    优质
    本资源包含NSL-KDD入侵检测数据集，适用于网络安全研究和机器学习模型训练，帮助识别并防范各类网络攻击。 NSL-KDD数据集是对KDD99数据集的改进版本，可以作为有效的基准数据集用于机器学习算法在入侵检测实验中的测试。以下是NSL-KDD数据集相对于原始KDD 99数据集的主要优点： 1. NSL-KDD训练集中没有冗余记录，这样分类器不会偏向更频繁出现的数据。 2. 测试集中不包含重复的记录，从而使得检测率更加准确。 3. 各难度级别组中选取的样本数量与原始KDD数据集中的比例成反比。这导致不同机器学习方法之间的分类性能差异范围更大，有助于对各种学习技术进行更有效的评估比较。 4. 训练和测试用的数据量设置合理，使得在整套实验上运行的成本较低，并且无需随机选择一小部分样本即可完成实验。因此，在不同的研究工作中得到的评估结果可以相互一致并且具有可比性。
     
  • CICIDS2018入侵检测公开数据集
    优质
    CICIDS2018是CI-SEC项目发布的一个大型网络流量数据集，专为训练和测试入侵检测系统而设计，包含多种网络攻击类型的真实场景。 在测试入侵检测模型的过程中，我发现许多论文使用了CICIDS系列的数据集。然而，在尝试下载这些数据集时遇到了困难，因为需要自己搭建AWS环境，并且作为计算机初学者的我无法成功完成这个过程。于是，我决定花钱购买了一个博主分享的数据集。 虽然目前还没有用上这份数据集，但我想与大家免费分享它。对于学生来说，自行构建这样的测试环境确实非常复杂和繁琐。既然我已经有了这些资源，希望可以帮到有需要的人们。由于上传文件大小有限制，所以我分成了两篇文章发布。不过我认为这个文件已经足够大了。 关于平台如何界定下载积分设置的问题，请大家在评论区留言或私信我（如果后期设置了积分限制的话），我很乐意与大家分享这份资源。最后希望这个数据集对你有用，如果有帮助请记得给我点个赞哦✿
     
  • UNSW-NB15入侵检测数据集.zip
    优质
    本资源提供UNSW-NB15入侵检测数据集，包含网络流量记录及标签，旨在支持网络安全研究和异常检测模型开发。 UNSW_NB15入侵检测数据集相比KDD99和NSL KDD数据集更适合用于相关研究人员进行入侵检测系统的研究。
     
  • KDD99入侵检测数据的预处理与分类源码及数据集.zip
    优质
    本资源包含用于KDD99入侵检测竞赛的数据预处理和分类代码，以及原始数据集，适用于网络安全研究与学习。 本资源主要基于Python实现kdd99入侵检测数据集的预处理，并搭建DNN（深度神经网络）和CNN（卷积神经网络）模型进行分类，适用于初学者学习入侵检测技术。 KDD99数据集是从一个模拟的美国空军局域网上采集来的九周内的网络连接记录。该数据集被分为已标记的训练部分以及未标注的测试部分。整体而言，它包含500万条记录，并提供了一个10%的训练子集（kddcup.data_10_percent_corrected）和一个测试子集。 资源中包括两个Python脚本：Handle_data.py用于对KDD99数据进行预处理；另外还有两个分类模型的相关代码，分别是基于DNN的入侵检测分类器（Kdd_dnn.py），以及基于CNN的入侵检测分类器（kdd_cnn.py）。此外还提供了一个经过预处理的数据文件“kddcup.data_10_percent_corrected.xls”。