使用机器学习进行僵尸网络检测
使用网络流量行为分析和机器学习进行僵尸网络检测的B.Tech项目存储库在这里，我们介绍了基于行为流的僵尸网络检测方法，该方法使用了诸如最新分类器之类的现代机器学习技术及其使用集成技术的组合。 我们还提供了用于流识别和特征生成的自定义编码流生成器，以表征网络流量。 用于分析的数据集：加拿大ISCX UNB的僵尸网络数据集
指数
文件和文件夹的描述为：
僵尸网络文档包含有关僵尸网络的一些相关文档和以前的工作
自定义流生成器包含一个python实现，用于提取双向交通流并生成基于流的功能，以供以后用于机器学习。
ISCXFlowMeterMaster包含ISCX给定的流生成器。 但是，此项目中使用的流生成器是自定义内联编写的，也已抽象出用于流量分析。
深度学习文件夹包含用于对数据集和结果进行深度学习分析的代码
剩下的是一些代码文件，没有特别的顺序进行分析
2021-07-02 16:55:45
26.06MB
1
Main Flow Chart.SEC.PEI.DXE.BDS流程图及详细功能介绍.SEC Elink -
SECCoreAtPowerOn.PEI Elink - PeiCoreInitialize.PEI Elink - FV_BB.
PEI Elink -PeiCoreMemoryInstalled.Pre-EFI Initialization (PEI) phase...
2021-07-01 19:57:43
6.36MB
1
MATLAB有限元分析与应用源代码flow_sims
问题：2D盖驱动腔流动
解决方法：
FDM-有限差分法[1]。
有限元-Galerkin有限元方法[2]。
FVM-具有有限体积离散化的SIMPLE算法[3,4,5]
数字：
每个文件夹包含压力和速度场的求解器以及相应的图形功能
performance_analysis.ipynb：速度曲线图和运行时间图的模板代码。
参考：
[1]。
LA
Barba和GF
Forsyth，CFD
Python：Navier-Stokes方程式的12个步骤。
Journal
of
Open
Source
Education，1（9），21，（2018）。
[2]。
EG
Tsega和VK
Katiyar。
二维不可压缩NavierStokes方程的有限元解决方案，使用MATLAB，应用程序和应用数学13（1）（2018）。
[3]。
MJ
Sarfi，使用SIMPLE算法的2D盖驱动腔流动，MathWorks，（2018年）。
[4]。
T.
Sorensen和F.
Hastrup-Nielson。
盖驱动腔流动，丹麦技术大学，（2015年）。
[
2021-06-29 17:35:09
9.27MB
1
利用Tensorflow训练好的模型，图片进行预测和识别，并输出相应的标签和预测概率。
如果想要多张图片，可以进行批次加载和预测，这里仅用单张图片进行演示。
模型文件：
预测图片：
这里直接贴代码，都有注释，应该很好理解
import tensorflow as tf
import inference
image_size = 128 # 输入层图片大小
# 模型保存的路径和文件名
MODEL_SAVE_PATH = model/
MODEL_NAME = model.ckpt
# 加载需要预测的图片
image_data = tf.gfile.FastGFile(./data
2021-06-21 10:40:16
65KB
1
边界条件：
在所有方面 v=0。 u=0 右侧、左侧和底部，u=顶部 BC 的盖子速度
数值方法：
用于解决速度-压力耦合的SIMPLE算法。 u 和 v 的交错网格。要了解索引如何在交错网格中工作，请查看“Versteeg, Malalasekera：计算流体动力学简介”教科书。 控制方程的离散化基于这本教科书。 u 和 v 在每次迭代中通过 Jacobi 方法更新。 在每次迭代中使用五对角矩阵算法直接求解压力校正方程。 Proper choice of under-relaxation factors needed for convergence. 雅可比方法是解决此类问题效率最低的方法，但它简单易行。 鼓励您应用其他迭代方法，例如逐行 TDMA、Guess-seidel、多重网格或 SOR，以加快收敛速度。
压力修正：
我经常看到人们在解决 SIMPLE 算法中的压力校
2021-06-16 22:27:55
14KB
1
一份基于cnn的手写数字自识别的代码，供大家参考，具体内容如下
# -*- coding: utf-8 -*-
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 加载数据集
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
# 以交互式方式启动session
# 如果不使用交互式session，则在启动session前必须
# 构建整个计算图，才能启动该计算图
sess = tf.Interactiv
2021-06-16 20:44:12
64KB
1