网安毕设----基于深度学习的网络入侵检测系统（pytorch版本）

创作时间:

作者:

@小白创作中心

网安毕设----基于深度学习的网络入侵检测系统（pytorch版本）

引用

CSDN

https://m.blog.csdn.net/laoman456/article/details/145826537

本文介绍了一个基于深度学习的网络入侵检测系统项目，使用PyTorch框架搭建多层神经网络，通过UNSW_NB15数据集进行训练和验证。项目通过消融实验分析不同网络结构和超参数对检测性能的影响，最终实现了96%的准确率。

项目概述

本项目实现了基于深度学习的网络入侵检测系统，通过使用 UNSW_NB15 数据集进行训练和验证，检测网络流量中的正常与异常行为。本项目使用 PyTorch 框架搭建了多层神经网络，并通过消融实验分析不同网络结构和超参数对检测性能的影响。

开发环境与依赖

编程语言：Python 3.x
深度学习框架：PyTorch 2.1.2
主要库：
数据处理：numpy、pandas
数据可视化：matplotlib、seaborn
机器学习：scikit-learn
硬件环境：支持 GPU 加速训练
依赖安装：通过 requirements.txt 文件安装所有依赖。
```
pip install -r requirements.txt
```

项目结构

项目目录结构如下：

project/
│── datasets/
│ ├── UNSW_NB15_training-set.csv # 训练数据集
│ └── UNSW_NB15_testing-set.csv # 测试数据集
│  
│── model.py # 基础神经网络模型
│── ablation_model.py # 消融实验中的模型设计
│── ablation_study.py # 消融实验逻辑
│── main.py # 主程序入口
│── requirements.txt # 项目依赖
│  
│── runs/
│ ├── confusion_matrix.png # 混淆矩阵图
│ ├── training_metrics.png # 训练过程指标
│ └── best_model.pth # 最佳模型权重文件
│  
└── README.md # 项目说明文档

数据集说明

使用 UNSW_NB15 数据集，包含网络流量的特征和标签：

特征数量：45个（例如：id、proto、spkts、rate 等）
标签：
label: 0 表示正常流量，1 表示攻击流量
attack_cat: 攻击类别（如Normal、Fuzzers、DoS等）
数据分为训练集和测试集：
训练集：UNSW_NB15_training-set.csv
测试集：UNSW_NB15_testing-set.csv

模型设计

基础模型 (model.py)：

输入层：45个特征输入
隐藏层：两层全连接层，使用 ReLU 激活函数
输出层：2个输出节点，使用 Softmax 进行分类

代码实现：

import torch.nn as nn

class NetworkModel(nn.Module):
    def __init__(self, input_size=45, hidden_size=64, output_size=2):
        super(NetworkModel, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)
        self.softmax = nn.Softmax(dim=1)

    def forward(self, x):
        x = self.relu(self.fc1(x))
        x = self.softmax(self.fc2(x))
        return x

损失函数：交叉熵损失函数（CrossEntropyLoss）
优化器：Adam 优化器

消融实验

消融实验分析不同模型组件对性能的影响，主要包括：

隐藏层数量变化：比较1层、2层、3层网络的性能。
激活函数变化：比较 ReLU 和 Tanh 激活函数的影响。
优化器变化：比较 Adam 和 SGD 优化器的效果。

消融实验的结果通过 ablation_study.py 脚本进行测试和评估。

训练与测试流程

训练和测试过程通过 main.py 实现：

数据预处理：
使用 pandas 加载 CSV 数据。
标准化特征（归一化处理）。
模型训练：
加载训练数据，定义网络模型、损失函数和优化器。
进行多个 Epoch 的训练，并保存最佳模型权重。
模型验证与测试：
在测试集上评估模型性能，输出混淆矩阵和其他指标。

代码示例：

# 模型训练
for epoch in range(num_epochs):
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()