# Taffic_Anomaly_Detection_based_on_Neural_Network

**Repository Path**: wangp06/Taffic_Anomaly_Detection_based_on_Neural_Network

## Basic Information

- **Project Name**: Taffic_Anomaly_Detection_based_on_Neural_Network
- **Description**: https://github.com/KlausMichael0/Taffic_Anomaly_Detection_based_on_Neural_Network
本项目为基于神经网络的流量异常检测
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-01-20
- **Last Updated**: 2025-01-20

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

### 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