基于python+CNN的网络入侵检测算法源码+项目说明（高分项目）

# 写在前头 首先感谢大家的点赞。这个仓库是我复现某篇论文的代码，作用是对`Dos`,`Normal`,`Probe`,`R2L`,`U2R`五种网络流量进行分类。原文中，网络流量就是数字和字符串组成的文本，我们需要将其转化为图片的格式进行分类。训练流量和测试流量的以及他们处理后的文本文件我都放在`DataSet/NSL-KDD/`目录下面了，大家不要问我图片数据集啦，没有图片数据集，我也是自己处理的。下面和大家详细讲解一下吧。 # 利用CNN代码复现论文 ## 1. 图像处理 正如我前面说的，这里只有文本文件数据，没有图片数据。所以我们需要对`KDDTest+`文件和`KDDTrain+`文件都进行处理 ## 1.1 数据转化 > 对应`PreHandle`中的`oneHotHandle`方法和`minMaxHandle`方法 - 第一步：类型转化。数据集中，有三个字符特征，是`protocol_type`、`service`和`flag`，由于他们是字符特征，所以需要进行`one-hot`编码，从而把字符型转为数值型 - 第二步：对数据做归一化处理。把所有数据的特征缩放到`0`和`1`之间，使用的处理方法为`min-max`方法，此时将文本文件变成了五个不同流量类型的`cvs`文件，在目录`DataSet/Change/`中 ## 1.2 图片转化 > 对应`PreHandle`中的`csvToImage`方法 - 第一步：因为`CNN`的输入是图片形式，先把归一化之后的`122`个特征变换成矩阵的形式，大小是一个十二乘十二的方阵 - 第二步：进行像素化处理，将矩阵中的数据进行与`255`相乘的操作，形成一张图片 - 第三步：将他们输出到文件夹中。根据我们的方法，处理完毕的不同类型的图片存储在不同名称文件夹下面，处理完毕的文件夹大概是这个样子  文件夹里面的流量图片是这个样子的（图片很小，所以要点开查看）   ## 2. 创建模型 处理完毕图片我们就开始创建模型，对应代码`CNNMould`，注释写的很清楚，大家自己查看即可 ## 3. 模型训练 从训练文件夹的不同的文件夹中读取图片开始训练模型，在代码中，不同文件夹的名称就等于给图片`lable`标签，所以不需要特别标注。对应代码`Train`，注释写的很清楚，大家自己查看即可 ## 4. 模型预测 从预测文件夹的不同的文件夹中读取图片进行预测。对应代码`Predict`，注释写的很清楚，大家自己查看即可 附一张最后的预测正确率图片