The UNSW-NB15 Dataset 研究单位:新南威尔士大学澳大利亚国防军学院 制作目的:网络入侵检测系统 (NIDS) 监控网络流量以识别攻击 制作方法:UNSW-NB 15 数据集是实验室使用 IXIA PerfectStorm 工具创建现代正常和异常网络流量的混合体。通过 IXIA 工具的异常流量模拟了表 VIII 中列出的 9 个攻击系列。IXIA 工具包含从...
针对UNSW-NB15数据集的预处理,我们可以按照以下步骤进行。这些步骤包括加载数据集、处理缺失值、特征编码、标准化或归一化,以及划分训练集和测试集。请注意,由于我无法直接访问数据集,以下代码是基于一般性的假设和数据预处理流程编写的,可能需要根据实际情况进行调整。 1. 加载UNSW-NB15数据集 首先,我们需要加载UNSW...
intrusion-detectionintrusionkdd99unsw-nb15 UpdatedJan 24, 2018 这是一个封装了KDDCup99、NSL-KDD、UNSW-NB15等入侵监测数据集的Python包。 datasetidsnidsnsl-kddunsw-nb15kddcup99 UpdatedAug 10, 2020 Python Basic Machine learning projects and assignments done by me. ...
UNSW-NB15_testing-set.csv:这是测试集文件,包含部分网络流量数据和标签,用于评估模型的性能。 UNSW-NB15_training-set.csv:这是训练集文件,包含用于训练模型的网络流量数据和标签。 用途:如果你要训练机器学习模型,优先使用这个文件夹中的训练集和测试集。这些数据已经划分好,可以直接用于模型训练和评估。 训练模型...
UNSW-NB15总体介绍 数据集的官⽹:数据集下载链接:数据集中⼀共有9种攻击: This dataset has nine types of attacks, namely, Fuzzers, Analysis, Backdoors, DoS, Exploits, Generic, Reconnaissance, Shellcode and Worms.数据集⼀共有49个特征, 我们会在后⾯对每⼀种特征进⾏介绍.在csv中保存的数据...
UNSW-NB15总体介绍 数据集的官网:The UNSW-NB15 Dataset Description 数据集下载链接:UNSW-NB15 Download 数据集中一共有9种攻击: This dataset has nine types of attacks, namely,Fuzzers, Analysis, Backdoors, DoS, Exploits, Generic, Reconnaissance, Shellcode and Worms. ...
UNSW-NB15 is a network intrusion dataset. It contains nine different attacks, includes DoS, worms, Backdoors, and Fuzzers. The dataset contains raw network packets. The number of records in the training set is 175,341 records and the testing set is 82,33
首先，UNSW-NB15是一个综合性的数据集，用于网络入侵检测系统的研究和测试，它包含了来自IXIA ...
During data pre-processing, we removed the minority classes for UNSW-NB15. In addition, we employed a resampling technique to ensure a balance between normal and abnormal classes. This can avoid another type of overfitting problem typically associated with the classes with the limited number of sa...
In the test, we have applied decision tree classifier on a few info include subsets of preparing dataset of UNSW-NB15 dataset. The test results indicated the proposed strategy effectively brings 97.34% grouping accuracy utilising just 20 features, while every 42 preparing features accomplished 94.32...