• مهندسی کامپیوتر
    • سیستم عامل
    • طراحی الگوریتم
    • ساختمان داده
    • پایگاه داده
    • مهندسی نرم افزار
    • گرافیک کامپیوتری
    • بازی سازی
    • پردازش تصویر
    • طراحی وب
    • رمزنگاری
  • هوش مصنوعی
    • الگوریتم های یادگیری ماشین
    • شبکه های عصبی مصنوعی
    • الگوریتم های فرا ابتکاری
    • هوش مصنوعی
    • داده کاوی
  • شبکه های کامپیوتری
    • شبکه های حسگر بی سیم
    • شبکه های خودرویی
    • شبکه های موردی
    • شبکه های کامپیوتری
  • تحقیق و پژوهش
    • عمومی
    • تکنولوژی
    • زبان های برنامه نویسی
    • مشاهیر و اشخاص
    • اینترنت اشیاء
    • واقعیت مجازی
    • ارز دیجیتال
    • کسب و کار
    • علوم
  • رشته های مهندسی
    • مهندسی برق
    • مهندسی عمران
    • مهندسی معماری
  • قالب پاورپوینت پایانامه
  • مجله پی استور
  • ابزارهای آنلاین
    • برنامه نویسی آنلاین
    • تبدیل مبنای آنلاین
  • آموزش برنامه نویسی
  • آموزش الگوریتم
  • آموزش شبکه
  • آموزش عمومی

ورود

رمز عبور را فراموش کرده اید؟

هنوز عضو نشده اید؟ عضویت در سایت
  • درباره ما
  • تماس با ما
  • سفارش تدریس آنلاین
پی استور
0

ورود و ثبت نام

مقالات آموزشی
  • مهندسی کامپیوتر
    • سیستم عامل
    • طراحی الگوریتم
    • ساختمان داده
    • پایگاه داده
    • مهندسی نرم افزار
    • گرافیک کامپیوتری
    • بازی سازی
    • پردازش تصویر
    • طراحی وب
    • رمزنگاری
  • هوش مصنوعی
    • الگوریتم های یادگیری ماشین
    • شبکه های عصبی مصنوعی
    • الگوریتم های فرا ابتکاری
    • هوش مصنوعی
    • داده کاوی
  • شبکه های کامپیوتری
    • شبکه های حسگر بی سیم
    • شبکه های خودرویی
    • شبکه های موردی
    • شبکه های کامپیوتری
  • تحقیق و پژوهش
    • عمومی
    • تکنولوژی
    • زبان های برنامه نویسی
    • مشاهیر و اشخاص
    • اینترنت اشیاء
    • واقعیت مجازی
    • ارز دیجیتال
    • کسب و کار
    • علوم
  • رشته های مهندسی
    • مهندسی برق
    • مهندسی عمران
    • مهندسی معماری
  • قالب پاورپوینت پایانامه
  • مجله پی استور
  • ابزارهای آنلاین
    • برنامه نویسی آنلاین
    • تبدیل مبنای آنلاین

تبدیل دیتاست NSL-KDD برای استفاده الگوریتم های یادگیری ماشین در متلب

خانهفروشگاهیادگیری ماشینتبدیل دیتاست NSL-KDD برای استفاده الگوریتم های یادگیری ماشین در متلب
تبدیل دیتاست NSL-KDD برای استفاده الگوریتم های یادگیری ماشین در متلب

در این پست تبدیل دیتاست NSL-KDD برای استفاده الگوریتم های یادگیری ماشین در متلب (دیتاست سیستم تشخیص نفوذ) قرار داده شده است. دیتاست NSL-KDD در سال 2009 بعنوان نسخه جدید تجدید نظر شده در مجموعه داده اصلی KDDCup99 ارائه شد که با حجم کم ویژگی های سودمند و چالش برانگیز KDDCup را حفظ کرد.

امروزه این دیتاست به عنوان یک مجموعه داده ارزشمند برای بررسی کارایی روش ها و الگوریتم های امنیت سایبری و سیستم های تشخیص نفوذ بکار گرفته می شود. در ادامه شرح مختصری از این دیتاست داده می شود.

cropped-fav2.png

برنامه‌نویس: تیم برنامه نویسی پی استور

متشکل از اساتید و فارغ التحصیلان رشته های فنی - مهندسی

تیم برنامه نویسی پی استور یکی از اولین گروه های تشکیل شده در مجموعه آموزشی پی استور می باشد. این تیم از اساتید مجرب و فارغ التحصیلان رشته های فنی و مهندسی تشکیل شده که در زمینه های مختلف برنامه نویسی و تهیه سورس کد فعال هستند.

دیتاست NSL-KDD

قبل از پرداختن به مسئله تبدیل دیتاست NSL-KDD در متلب شرح کلی از دیتاست داده می شود. همانطور که گفته شد دیتاست NSL-KDD در سال 2009 بعنوان نسخه جدید تجدید نظر شده در مجموعه داده اصلی KDDCup99 ارائه شد. از یک طرف ، NSL-KDD ویژگی های سودمند و چالش برانگیز KDDCup را حفظ کرد.

از طرف دیگر ، با حذف رکوردهای اضافی، عقلانی کردن تعداد نمونه ها و حفظ تنوع نمونه های انتخاب شده، به اشکالاتی که از مجموعه داده اصلی به ارث رسیده است پرداخته است. شایان ذکر است که مجموعه داده NSL-KDD برای به حداکثر رساندن سختی پیش بینی، که ویژگی های برجسته آن را تشکیل می دهد، گردآوری شده است.

به منظور طبقه بندی سوابق به پنج سطح ، مجموعه داده های اولیه با استفاده از چندین طبقه بندی معیار مورد ارزیابی قرار گرفت و هر نمونه با تعداد پیش بینی های موفقیت آمیز آن حاشیه نویسی شد. برای هر گروه، میزان سوابق انتخاب شده معکوس با درصد ضبط از مجموعه داده اصلی KDDCup 99 است.

در کل 42 ویژگی برای دیتاست در نظر گرفته شده که 41 ویژگی مربوط به داده های جمع آوری شده و ویژگی آخر نیز به عنوان برچسب هدف با عنوان نرمال یا حمله می باشد.

در این تحقیق از مجموعه های KDDTrain+ ، KDDTest+  و KDDTest-21 مجموعه داده های NSL-KDD استفاده شده است. مجموعه +KDDTrain به عنوان مجموعه داده برای آموزش شامل 125973 نمونه است که شامل 58630 مورد ترافیک حمله و 67343 نمونه ترافیک عادی است.

مجموعه +KDDTest شامل 22544 نمونه است و برای تست از آن استفاده می شود و به عنوان زیر مجموعه ای از مجموعه +KDDTest، مجموعه KDDTest-21 شامل کل 11850 نمونه است. اعتبارسنجی متقابل بر روی مجموعه +KDDTrain در آزمایشات انجام می شود ، یک مرور کلی از موارد موجود در جدول زیر نشان داده شده است.

NSL-KDDClass
KDDTest-21KDDTest+KDDTrain+
2152971167343Normal
4342745845927DoS
2402242111656PRB
27542754995R2L
20020052U2R
96981283358630Attacks
1185022544125973Total

تبدیل دیتاست NSL-KDD

در تبدیل این دیتاست به دیتاست رقمی و قابل قبول برای الگوریتم های یادگیری از نرم افزار متلب استفاده شده است. ابتدا کل نمونه ها در 5 دسته یا گروه دسته بندی می شوند که برای حالت Normal عدد 1  و برای بقیه حالت های حمله عددهای 2 تا 5 بسته به نوع حمله در نظر گرفته می شود. حملات در 4 دسته Dos، Probing، R2L و U2R دسته بندی می شوند. طبق برنامه نوشته شده در کل 39 حمله در دیتاست وجود دارد که به شرح جدول زیر گروه بندی شده اند.

شماره برچسب گذاریگروه حملهنوع حمله
1Dosback, land, neptune, pod, smurf, teardrop, apache2, mailbomb, processtable, udpstorm
2Probingwarezclient, warezmaster, spy, multihop, phf, ftp_write, guess_passwd, imap, xsnoop, xlock, worm, snmpguess, snmpgetattack, sendmail, named
3R2Lrootkit, perl, loadmodule, buffer_overflow, httptunnel, ps, sqlattack, xterm
4U2Rportsweep, satan, ipsweep, nmap, mscan, saint

مشخصات ویژگی های دیتاست NSL-KDD

همانطور که قبلاً هم گفته شده در این دیتاست 42 ستون وجود دارد که 41 ستون یا ویژگی مربوط به شبکه هست و ستون 42 نیز برای برچسب گذاری نوع حمله و نرمال بودن است. (البته یک ستون 43 نیز وجود دارد که از آن استفاده نمی شود). جدول زیر مشخصات 41 ویژگی یا ستون مربوطه را نمایش می دهد.

شماره ویژگینام ویژگینوع ویژگی
1durationcontinuous
2protocol_typesymbolic
3servicesymbolic
4flagsymbolic
5src_bytescontinuous
6dst_bytescontinuous
7landcontinuous
8wrong_fragmentcontinuous
9urgentcontinuous
10hotcontinuous
11num_failed_loginscontinuous
12logged_incontinuous
13num_compromisedcontinuous
14root_shellcontinuous
15su_attemptedcontinuous
16num_rootcontinuous
17num_file_creationscontinuous
18num_shellscontinuous
19num_access_filescontinuous
20num_outbound_cmdscontinuous
21is_host_logincontinuous
22is_guest_logincontinuous
23countcontinuous
24srv_countcontinuous
25serror_ratecontinuous
26srv_serror_ratecontinuous
27rerror_ratecontinuous
28srv_rerror_ratecontinuous
29same_srv_ratecontinuous
30diff_srv_ratecontinuous
31srv_diff_host_ratecontinuous
32dst_host_countcontinuous
33dst_host_srv_countcontinuous
34dst_host_same_srv_ratecontinuous
35dst_host_diff_srv_ratecontinuous
36dst_host_same_src_port_ratecontinuous
37dst_host_srv_diff_host_ratecontinuous
38dst_host_serror_ratecontinuous
39dst_host_srv_serror_ratecontinuous
40dst_host_rerror_ratecontinuous
41dst_host_srv_rerror_ratecontinuous

شماره گذاری ویژگی ها

از 41 ویژگی موجود 3 ویژگی با خاصیت symbolic یا سمبلیک وجود دارد که عددی نیست و باید بصورت عددی تغییر کنند تا برای الگوریتم های یادگیری ماشین قابل فهم باشند و بقیه بصورت continuous یا پیوسته هستند که بصورت عددی است و لازم نیست دستکاری شوند. 3 ویژگی با خاصیت سمبلیک هر کدام شامل نوع های مختلفی هستند که بسته به جایگاهشان و دیده شدن در هر سطر دیتاست به ترتیب از شماره 1 الی آخرین نوع شماره گذاری شده اند. جدول زیر این نوع ها را نشان می دهد.

شماره گذاریانواعنام ویژگی
1 تا 3icmp, tcp, udpprotocol_type
1 تا 70IRC, X11, Z39_50, aol, auth, bgp, courier, csnet_ns, ctf, daytime, discard, domain, domain_u, echo, eco_i, ecr_i, efs, exec, finger, ftp, ftp_data, gopher, harvest, hostnames, http, http_2784, http_443, http_8001, imap4, iso_tsap, klogin, kshell, ldap, link, login, mtp, name, netbios_dgm, netbios_ns, netbios_ssn, netstat, nnsp, nntp, ntp_u, other, pm_dump, pop_2, pop_3, printer, private, red_i, remote_job, rje, shell, smtp, sql_net, ssh, sunrpc, supdup, systat, telnet, tftp_u, tim_i, time, urh_i, urp_i, uucp, uucp_path, vmnet, whoisservice
1 تا 11OTH, REJ, RSTO, RSTOS0, RSTR, S0, S1, S2, S3, SF, SHflag

محتویات فایل دانلودی

برنامه مربوط به تبدیل دیتاست NSL-KDD برای استفاده الگوریتم های یادگیری ماشین در متلب شامل 9 فایل می باشد که 5 فایل txt. برای خواندن اطلاعات دیتاست خام می باشد و 3 فایل mat. که با علامت قرمز در تصویر نشان داده شده همان دیتاست های آماده می باشد که توسط فایل prepare.m ایجاد شده و آماده استفاده در الگوریتم های یادگیری ماشین می باشد. تصویر زیر محتویات فایل دانلودی را نشان می دهد.

تبدیل دیتاست NSL-KDD

 

 

 

 

 

درباره تبدیل دیتاست NSL-KDD

سورس کد آماده تبدیل دیتاست NSL-KDD خام به دیتاست رقمی در متلب در متلب 2017 نوشته شده است. این کد بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید. بمحض خرید محصول لینک دانلود در دسترس خواهد بود.

گارنتی 7 روزه بازگشت هزینه

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این محصول توسط پی استور تضمین شده و در صورت عدم رضایت از محصول، به انتخاب شما:

  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا 80 درصد مبلغ پرداختی به حساب بانکی شما عودت داده می‌شود.

مطالب مرتبط با سیستم های تشخیص نفوذ

تبدیل دیتاست KDD99 برای استفاده الگوریتم های یادگیری ماشین در متلب
تبدیل دیتاست KDD99 برای استفاده الگوریتم های یادگیری ماشین در متلب
تشخیص نفوذ با الگوریتم درخت تصمیم DT در متلب
سورس کد تشخیص نفوذ با الگوریتم درخت تصمیم DT در متلب
تشخیص نفوذ با الگوریتم یادگیری KNN در متلب
سورس کد تشخیص نفوذ با الگوریتم یادگیری KNN در متلب
امتیاز
4.50 از 2 رأی
4.50 2 رای
59,000 تومان
تاریخ انتشار: 15 مهر 1399
تاریخ بروزرسانی: 12 اسفند 1399
حجم فایل: 9.7 مگابایت
فرمت فایل m.
هماهنگی با: متلب 2017 و بالاتر
سفارش تدریس: توضیحات تکمیلی
دانلود شده توسط: 346 نفر

تاکنون 346 نفر این محصول را تهیه کرده اند و 2 نظر برای آن ثبت شده است.

نظرات و دیدگاه ها
  • وحید
    25 مهر 1399
    امتیاز 4 از 5
    پاسخ

    سلام
    امکان تبدیل این دیتاست جهت استفاده در پایتون هم وجود دارد؟

    • مدیریت و پشتیبانی
      25 مهر 1399
      پاسخ

      سلام
      برای تبدیل این دیتاست در پایتون باید کد مربوط به پایتون نوشته بشه.

  • مدیریت و پشتیبانی
    15 مهر 1399
    امتیاز 5 از 5
    پاسخ

    نظرات و پیشنهادات خود را با ما در میان بگذارید.

قوانین ثبت دیدگاه

  • لطفاً دیدگاه های خود را فارسی تایپ کنید.
  • دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
  • از درج دیدگاه های تکراری پرهیز نمایید.
  • سوالات تخصصی خودتان را از طریق تیکت پشتیبانی مطرح کنید.

لغو پاسخ

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دسته‌بندی موضوعی: داده کاوی یادگیری ماشین

قیمت 59,000 تومان

افزودن به علاقه مندی ها
امتیاز
4.50 از 2 رأی
4.50 2 رای
59,000 تومان

تاریخ انتشار: 15 مهر 1399
تاریخ بروزرسانی: 12 اسفند 1399
حجم فایل: 9.7 مگابایت
فرمت فایل m.
هماهنگی با: متلب 2017 و بالاتر
سفارش تدریس: توضیحات تکمیلی
دانلود شده توسط: 346 نفر

2 بازخورد (مشاهده نظرات)

قیمت: 59,000 تومان

تماس با ما
  • دفتر پشتیبانی: 04144225175 (ساعت کاری 8:00 الی 16:00)
  • آی دی تلگرام: programerPstore
درباره پی استور

تیم توسعه پی استور با هدف ارائه مطالب مفید علمی در گرایش های مختلف پروژه های علمی مختلف را جمع آوری می کند و در قالب یک محصول تست شده و قابل اجرا همراه با توضیحات و نحوه اجرا، انتشار می دهد. امید است با عنایت الهی و کوشش اساتید و دانشجویان همراهمان بتوانیم قدم کوچکی در تولید محتوای علمی کشور داشته باشیم.

مجوز های اخذ شده
اینماد نشان ملی   پروانه نشر دیجیتال
  • حساب کاربری من
  • سوالات متداول
  • راهنمای خرید و دانلود
پی استور
  • همکاری با ما
  • قوانین و مقررات
  • حریم خصوصی
تمامی حقوق برای پی استور محفوظ است.
keyboard_arrow_up