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.
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-KDD | Class | ||
| KDDTest-21 | KDDTest+ | KDDTrain+ | |
| 2152 | 9711 | 67343 | Normal |
| 4342 | 7458 | 45927 | DoS |
| 2402 | 2421 | 11656 | PRB |
| 2754 | 2754 | 995 | R2L |
| 200 | 200 | 52 | U2R |
| 9698 | 12833 | 58630 | Attacks |
| 11850 | 22544 | 125973 | Total |
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 گذاری | گروه حمله | نوع حمله |
| 1 | Dos | back, land, neptune, pod, smurf, teardrop, apache2, mailbomb, processtable, udpstorm |
| 2 | Probing | warezclient, warezmaster, spy, multihop, phf, ftp_write, guess_passwd, imap, xsnoop, xlock, worm, snmpguess, snmpgetattack, sendmail, named |
| 3 | R2L | rootkit, perl, loadmodule, buffer_overflow, httptunnel, ps, sqlattack, xterm |
| 4 | U2R | portsweep, 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.
| نوع ویژگی | نام ویژگی | شماره ویژگی |
| continuous | duration | 1 |
| symbolic | protocol_type | 2 |
| symbolic | service | 3 |
| symbolic | flag | 4 |
| continuous | src_bytes | 5 |
| continuous | dst_bytes | 6 |
| continuous | land | 7 |
| continuous | wrong_fragment | 8 |
| continuous | urgent | 9 |
| continuous | hot | 10 |
| continuous | num_failed_logins | 11 |
| continuous | logged_in | 12 |
| continuous | num_compromised | 13 |
| continuous | root_shell | 14 |
| continuous | su_attempted | 15 |
| continuous | num_root | 16 |
| continuous | num_file_creations | 17 |
| continuous | num_shells | 18 |
| continuous | num_access_files | 19 |
| continuous | num_outbound_cmds | 20 |
| continuous | is_host_login | 21 |
| continuous | is_guest_login | 22 |
| continuous | count | 23 |
| continuous | srv_count | 24 |
| continuous | serror_rate | 25 |
| continuous | srv_serror_rate | 26 |
| continuous | rerror_rate | 27 |
| continuous | srv_rerror_rate | 28 |
| continuous | same_srv_rate | 29 |
| continuous | diff_srv_rate | 30 |
| continuous | srv_diff_host_rate | 31 |
| continuous | dst_host_count | 32 |
| continuous | dst_host_srv_count | 33 |
| continuous | dst_host_same_srv_rate | 34 |
| continuous | dst_host_diff_srv_rate | 35 |
| continuous | dst_host_same_src_port_rate | 36 |
| continuous | dst_host_srv_diff_host_rate | 37 |
| continuous | dst_host_serror_rate | 38 |
| continuous | dst_host_srv_serror_rate | 39 |
| continuous | dst_host_rerror_rate | 40 |
| continuous | dst_host_srv_rerror_rate | 41 |
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 گذاری | انواع | نام ویژگی |
| 1 to 3 | icmp, tcp, udp | protocol_type |
| 1 to 70 | IRC, 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, whois | service |
| 1 to 11 | OTH, REJ, RSTO, RSTOS0, RSTR, S0, S1, S2, S3, SF, SH | flag |
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.
درباره محصول
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.
قوانین ثبت دیدگاه
- دیدگاه های فینگلیش تایید نخواهند شد.
- دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
- از درج دیدگاه های تکراری پرهیز نمایید.
- امتیاز دادن به محصول فقط مخصوص خریداران آن می باشد.
اطلاعات فروشنده
- نام فروشگاه: امین جلیل زاده
- فروشنده: امین جلیل زاده رزین
- آدرس: آذربایجان شرقی
- 4.91 امتیاز از 275 دیدگاه
تعیین درخت پوشای مینیمم با الگوریتم ژنتیک در متلب
این فایل سورس به زبان Matlab و بصورت zip شده قابل دانلود است. خرید محصول توسط کلیه کارت های شتاب امکان پذیر است و بلافاصله پس از خرید، لینک دانلود محصول در اختیار شما قرار خواهد گرفت.
با خرید این محصول از مزایای زیر بهره‌مند می‌شوید:
- دسترسی به فایل محصول به صورت مادام‌العمر
- ۶ ماه پشتیبانی کاملا رایگان و تضمین شده
تعیین درخت پوشای مینیمم با الگوریتم پریم در سی شارپ #C
الگوریتم پریم یک روش حریصانه Heuristic است. از این الگوریتم برای حل مسئله درخت پوشا مینیمم استفاده می شود. درخت پوشای کمینه یا همان مینیمم که به اصطلاح (MST (Minimum Spanning Tree نیز گفته می شود درختی است که در آن مجموع وزن لبه به حداقل برسد و تمامی گره ها یا راس ها شامل شود. در ادامه به توضیح کامل الگوریتم پریم در سی شارپ #C اشاره خواهد شد.
پیمایش درخت postorder در سی پلاس پلاس ++C
پیمایش درخت postorder در سی پلاس پلاس ++C عنوان مطلبی است که در این پست به آن پرداخته شده است. پیمایش درخت‌ها نیز معمولا جهت محاسبه‌ی مقادیری انجام می‌شود که برای حل برخی مسائل کاربرد دارند. یکی از این مقادیر دنباله‌های پیش‌ترتیب Preorder، میان‌ترتیب Inorder و پس‌ترتیب Postorder مربوط به درخت‌ها می‌باشد.
سورس کد الگوریتم کرم شب تاب در متلب Firefly Algorithm
این فایل به زبان Matlab و بصورت zip شده قابل دانلود است. بلافاصله پس از خرید، لینک دانلود محصول در اختیار شما قرار خواهد گرفت.
با خرید این محصول از مزایای زیر بهره‌مند می‌شوید:
- دسترسی به فایل محصول به صورت مادام‌العمر
- ۶ ماه پشتیبانی کاملا رایگان و تضمین شده
سورس کد الگوریتم کلونی مورچه پیوسته در متلب
الگوریتم کلونی مورچه پیوسته در متلب عنوان موضوعی است که در این پست به آن پرداخته شده است. این الگوریتم با نام Ant Colony Optimization Continuous یا الگوریتم ACOR نیز نامیده می شود. در این مجموعه سعی می کنیم تا جزئیات بهتری از سورس کد الگوریتم کلونی مورچه پیوسته ACOR در متلب ارائه دهیم.
پاورپوینت آموزش شبیه سازی شبکه با استفاده از NS2
در این پست پاورپوینت آموزش شبیه سازی شبکه با استفاده از NS2 برای یک ارائه کلاسی قرار داده شده است. شبيه ساز شبكه (نسخه ٢) كه با نام NS2 شناخته شده است، بطور ساده يك ابزار شبيه سازي رخداد-گسسته است كه در مطالعه طبيعت ديناميكي شبكه هاي ارتباطي، مورد استفاده قرار مي گيرد.
محصولات مشابه
قیمت 28,000 تومان
امین جلیل زاده
مشاهده فروشگاهکارشناس ارشد رشته مهندسی کامپیوتر گرایش نرم افزار - پایه گذار و موسس وب سایت آموزشی پی استور، مدرس دانشگاه فنی و حرفه ای، برنامه نویس و تحلیل گر سیستم، پژوهشگر در حوزه الگوریتم های ابتکاری، فرا ابتکاری، یادگیری ماشین، شبکه و پایگاه داده. ایشان در زبان های برنامه نویسی متعدد، نظیر ++C، سی شارپ، PHP ،Java، متلب MATLAB و Python تسلط و سابقه تدریس فعال دارند.
امین جلیل زاده(مدیریت)
نظرات و پیشنهادات خود را با ما در میان بگذارید.
وحید
سلام
امکان تبدیل این دیتاست جهت استفاده در پایتون هم وجود دارد؟
امین جلیل زاده(مدیریت)
سلام
برای تبدیل این دیتاست در پایتون باید کد مربوط به پایتون نوشته بشه.