NSL-KDD 入侵检测数据集.rar

首先转为excel文件，再对第2，3，4，41列字符型数据转为数值型数据，转换原则是字符型数据按首字母排序顺序赋值，以0开始。

网络安全经典数据集NSL-KDD是在原有KDD99的基础上产生的，删除了部分无用数据，可以更好的用于验证网络入侵检测算法的性能！

对NSL-KDD数据进行分类 使用lstm神经网络

包含：KDDTrain+.ARFF、KDDTrain+.TXT、KDDTrain+_20Percent.ARFF、KDDTrain+_20Percent.TXT、KDDTest+.ARFF、KDDTest+.TXT、KDDTest-21.ARFF、KDDTest-21.TXT

包含完整代码、含有部分注释，亲测好用

2015年KDD会议论文集第1部分，获取自官方。

KDD2015 背景： 大规模开放在线课程 (MOOC) 的高辍学率令人担忧。 为解决辍学问题，应识别有退学倾向的学生，并努力防止流失。 在线课程辍学的早期预测是 MOOC 平台的一个基本问题。 本次比赛将在学堂X.com平台上进行辍学预测。 说明： 该竞赛要求参赛者根据他或她之前的行为来预测用户是否会在接下来的 10 天内放弃课程。 如果 U 在接下来的 10 天内没有在日志中留下课程 C 的记录，我们就说用户 U 在接下来的 10 天内放弃了课程 C。 有关日志的更多详细信息，请参阅数据集部分。 尖端： 目的 Course_id、module_id、类别、孩子 儿童#，儿童类别#，儿童级别 注册注册 ID、用户名、课程 ID 日志 注册 ID、用户名、课程 ID、时间、来源、事件、对象 时间转换（周、日、时间） 时间 * 事件 (#) 时间 * 对象 (#) 时间 * 来

IDS-KDDcup 检测网络流的异常连接（KDD-cup 99） 了解数据 尝试找出什么是数据集的不同类 在将字符串值映射到数字并将所有类别划分为正常和异常之后 准备数据 功能重连 PCA 入侵检测系统 朴素的贝叶斯 随机森林 逻辑回归 决策树 SVC 比较算法

Yet Another KDD Cup 2015 Solution Based on Final result Public board This leaderboard calculates scores by about 50% of the test data. AUC score: 0.8874428893001793 Rank: #89 Private board AUC score: 0.8867360110438458 Rank: #86 TODO 加特征 加数据：最多可以到depth=4 feature selection 观察预测错了的instance 尝试深度学习model， kNN GBDT: min_samples_leaf, max_depth ... RF: min_samples_leaf, max_depth ... AdaBoost(with LR/SVC