网络流量数据集，有dos,u2r,r21,probe等类行攻击，web安全方向的机器学习中用得到

异常检测-KDD99-CNNLSTM 这是一个使用三个模型开发的项目，用于对KDD99数据集上的倾斜数据包进行分类。 使用了三层：KNN，CNN + LSTM和随机森林分类器。 该项目是一个基于研究的项目，与单独使用任何给定模型相比，该模型在性能上均略有提高。 KDD'99数据集按原样使用，并且已作为项目源的一部分进行了预处理。 最终精度为0.97833。 单个模型的个体精度为： KNN：0.976835 CNN + LSTM：0.9667878 随机森林：0.96381378 主要思想是在相同的数据上训练3个不同的分类器模型。 然后，我们将所有这些模型用作单个整体学习模型（或中间的某个位置的投票分类器）。 系统中有2个主要层： 第一层具有KNN和CNN + LSTM。 他们一起工作，并提供2种不同的输出。 第二层具有随机森林分类器，以对来自上一层的所有冲突实例进行分类。

KDD99预处理后的csv文件，包括train_x.csv,train_y.csv,test_x.csv,test_y.csv

kdd99ml 使用kdd99数据集的SciKit ML算法演示 基于Charanpal Dhanjal的工作 所使用的数据集是KDD Cup 99数据集 要下载数据集： 下载具有以下内容的KDD Cup 99数据集： wget 要么 wget 并解压缩。 第一个约占740MBytes，第二个约占71MBytes。 如果您使用较小的数据集，请在代码中调整文件名：raw_data_filename = data_dir +“ kddcup.data”更改为raw_data_filename = data_dir +“ kddcup.data_10_percent” 使用pyt

亲测好用 基于Tensorflow用CNN（卷积神经网络）处理kdd99数据集，代码包括预处理代码和分类代码，准确率99.6%以上，并且快速收敛至最优值。 (Based on Tensorflow (convolutional neural network) processing KDD99 data set based on CNN, the code includes preprocessing code and classification code, the accuracy rate is more than 99.6%, and quickly converge to the optimal value.)

将KDD99数据集中的符号性变成数值化，编程语言是Python; KDD数据集的每条连接记录是有38个数字特征和3个符号型特征组成，要相对数据进行处理首先要进行数据的标准化。符号型特征数值化。采用属性映射的方法

入侵检测数据集包含所有内容，同时还包含介绍和下载官网网址，需要的可以下载一下。

压缩包里有TXT和arff两种格式数据均已处理完毕，也可以将数据转为其他格式，用于学习入侵检测和网络态势感知的仿真挺不错，可以直接用weka进行简单的分类预测。

KDD99:该数据集是从一个模拟的美国空军局域网上采集来的9个星期的网络连接数据,分成具有标识的训练数据和未加标识的测试数据。测试数据和训练数据有着不同的概率分布,测试数据包含了一些未出现在训练数据中的攻击类型,这使得入侵检测更具有现实性。 NSL-KDD:是KDD '99数据集的改进

NSL-KDD数据集是KDD99数据集的改进，可以作为有效地基准数据集，各机器学习算法可以在NSL-KDD数据集上进行入侵检测实验。