”KDD CUP 99 dataset ”就是KDD竞赛在1999年举行时采用的数据集。

入侵检测数据集、KDD数据集、处理好的arff格式，网络安全数据集

KDDCup99的原始数据来自于1998年的DARPA入侵检测评估项目，所有的网络数据来自于一个模拟的美国空军局域网，网络中加了很多模拟的攻击。实验的训练数据为7周的网络流量，这些网络流量包含有约500万条网络连接;实验的测试数据为2周的网络流量，包含有约200万条网络连接。虽然年代有些久远，但KDD99数据集仍然是网络入侵检测领域的事实Benckmark，为基于计算智能的网络入侵检测研究奠定基础。

在网络安全框架中，入侵检测是基准测试之一，并且是保护PC免受许多线程侵害的基本方法。 入侵检测中的巨大问题以大量的虚假警报表示。 这个问题激发了一些专家来发现根据数据挖掘来减少错误警报的解决方案，这是在大数据（例如KDD CUP 99）中使用的分析过程的考虑因素。本文对处理入侵检测中的错误警报的各种数据挖掘分类进行了综述。 。 根据测试结果，在KDD CUP 99上进行数据挖掘的许多过程中，没有任何一个过程可以准确地显示所有攻击类别，并且没有错误警报。 多层感知器的最佳精度为92％； 但是，在基于规则的模型中，最佳训练时间是4秒。 结论是，应使用各种程序来处理几种网络攻击。

请随时研究数据集上异常检测的不同算法。 Python或Matlab中的机器学习分类器（例如SVM，TSVM，Radom Forrest，RNN等）； Python或Matlab中的（例如NSA，否定选择算法）； 最后，总结不同算法的比较。

入侵检测 使用各种数据挖掘技术的入侵检测（KDD Cup 1999数据） 数据集位于 使用的技术： K均值（K = 59） 准确度93.077％ 精确 召回 F1分数 支持 攻击。 0.95 0.96 0.96 250436 正常。 0.83 0.80 0.82 60593 平均/总计 0.93 0.93 0.93 311029 决策树 准确度92.956％ 精确 召回 F1分数 支持 攻击。 1.0 0.91 0.95 250436 正常。 0.74 0.99 0.85 60593 平均/总计 0.95 0.93 0.93 31

Python火 （不要与pyfire混淆， pyfire并且是实际有用的软件） 用 Python 编写的模糊入侵检测引擎。 对于硕士任务； 摄取类似于 NSL-KDD 数据集的数据集。 这是最初由 Dickerson 等人设计的的重新实现。 阿尔。 由于时间限制，这是一个离线系统，必须先进行训练，然后使用静态数据文件进行测试。 它支持数据集和/或任何格式相同的数据集。 NSL-KDD 是原始数据的修改版本，在网络入侵检测研究中很流行。 与原始 KDD-Cup 数据相比，NSL-KDD 声称可以提高所有测试机器学习算法的误报率。 此代码在其版本中接受 NSL-KDD 数据，这比逗号分隔值 (CSV) 更具表现力。

本文为大家整理了五篇KDD 2020 推荐系统（RS）相关论文，供大家参考。——异构图交互模型、组合嵌入、分解自监督、地理感知序列推荐、交互路径推理。

哇〜！ KDD的其他竞争对手。 我在第一天参加了这项比赛，很快就建立了一个合理的基准。 由于某些私人方面的原因，自5月初以来，我几乎停止改善自己的解决方案。 尽管与第2阶段的许多顶级参与者相比，我的方法不能很好地发挥作用，但是我认为我的解决方案由于相对简单而值得共享。 我一点也没有接触过meo数据，我的一个模型只是计算中位数。 替代数据源 对于新每小时的空气质量数据，在论坛上为共享，我使用伦敦和对北京而不是从组织者的API。 处理丢失的数据 我通过3个步骤填充了空气质量数据中的缺失值： 根据其他测站的值填充测站组合的缺失值。 具体来说：我为此训练了131个lightgbm回归器。 如果北京奥特中信站5月20日2:00的PM2.5读数丢失，则回归器aotizhongxin_aq-PM2.5将基于5月20日2:00已知的北京其他34个站的PM2.5读数来预测该值。 我使用阈值来决定是否进行这

用于机器学习入侵检测的数据集，NSL_KDDNSL-KDD 这是KDD数据的改进版。进行网络入侵检测的研究生人员可以下载。