【亲测免费】 Anomaly-Detection-KDD99-CNNLSTM：基于机器学习与深度学习的入侵检测系统

此项目为一个异常检测系统，针对KDD99数据集进行倾斜数据包分类。项目采用三种模型（KNN、CNN + LSTM、随机森林分类器）相结合的方式，相较于单独使用任一模型，性能有显著提升。以下是项目详情介绍：

项目背景

本项目旨在开发一个基于机器学习和深度学习的入侵检测系统，以实现对KDD99数据集中的倾斜数据包进行分类。我们使用了三种不同的分类器模型：KNN、CNN + LSTM和随机森林分类器。

项目组成

1. 数据预处理：KDD99数据集按原样使用，并作为项目源的一部分进行了预处理。
2. 模型训练：
   • KNN模型：训练精度为0.976835。
   • CNN + LSTM模型：训练精度为0.9667878。
   • 随机森林模型：训练精度为0.96381378。
3. 模型融合：项目中设置了两个主要层：
   • 第一层：KNN和CNN + LSTM模型共同工作，提供两种不同的输出。
   • 第二层：随机森林分类器，用于对第一层产生的冲突实例进行分类。

性能指标

经过训练与测试，本项目的整体精度达到了0.97833，相较于单个模型的精度有一定提升。

注意事项

• 请确保在相同的数据上训练三个不同的分类器模型。
• 项目中的模型融合策略有助于提高分类性能。

我们希望这个项目能为相关领域的研究者和开发者提供一定的参考价值。