【标题】：“入侵检测数据集CICIDS2018第二个文件”
【正文】：
入侵检测系统（Intrusion Detection System, IDS）是网络安全的重要组成部分，它能够监控网络或系统活动，识别潜在的攻击和异常行为。CICIDS2018数据集是用于入侵检测研究的一个广泛使用的数据集，由加拿大通信研究中心（Communications Research Centre, CRC）发布。这个数据集包含了各种真实的网络流量，包括正常流量以及不同类型的攻击流量，旨在为研究人员提供一个全面且多样化的测试平台。
“02-20-2018.csv”是CICIDS2018数据集中的一天数据，由于原始文件体积过大，被分割成多个部分进行上传。每个CSV文件包含了这一天内的网络流量记录，每条记录通常包括了多个特征，这些特征可能有以下几类：
1. **时间戳**：事件发生的具体时间，用于分析流量模式和攻击时间分布。
2. **源IP地址（Src IP）**和**目标IP地址（Dst IP）**：分别代表数据包发送方和接收方的IP地址，可用来识别攻击源和受害目标。
3. **源端口（Src Port）**和**目标端口（Dst Port）**：网络连接的通信端口，有助于识别特定服务或协议。
4. **协议类型（Protocol）**：如TCP、UDP、ICMP等，不同协议可能对应不同的攻击方式。
5. **字节（Bytes）**和**数据包（Packets）**：记录了通信过程中传输的数据量和数据包数量。
6. **持续时间（Duration）**：从连接建立到结束的时间长度，可以反映出正常会话和异常行为的区别。
7. **服务（Service）**：根据端口号识别出的网络服务，如HTTP、FTP等。
8. **旗标（Flags）**：TCP旗标字段，如SYN、ACK、FIN等，有助于识别连接状态和可能的攻击。
9. **TCP序列号（TcpSeq）**和**TCP确认号（TcpAck）**：TCP连接中的序列号和确认号，可能在某些攻击中被利用。
10. **TCP窗口大小（TcpWin）**：表明接收方能接收的数据量，异常值可能暗示攻击行为。
11. **ICMP代码（IcmpCode）**：对于使用ICMP协议的流量，此字段表示ICMP消息的子类型。
12. **ICMP类型（IcmpType）**：ICMP消息的类型，如回显请求、回显应答等。
13. **信息（Info）**：提供关于网络流量的附加信息，如HTTP方法（GET、POST等）。
14. **标签（Label）**：最重要的是，这个数据集中的每个记录都有一个标签，标明了流量是正常还是属于某种攻击类型，如DoS（拒绝服务）、DDoS（分布式拒绝服务）、Web攻击等。
通过对这些特征的分析，研究人员可以训练和评估入侵检测算法的性能，如基于机器学习的分类器。这些算法需要能够正确区分正常流量和攻击流量，以便在实际环境中有效应对网络安全威胁。同时，CICIDS2018数据集的复杂性和多样性使得它成为评估新IDS技术的有效工具，推动了网络安全领域的研究进展。
2024-08-31 10:35:18
652.88MB
1
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。
2022-12-12 18:00:32
63.91MB
1
SDN入侵检测数据集，具有4种攻击类型的软件定义网络中的入侵检测，数据包含79个定量和定性特征，其中1个特征代表定性属性，78个特征代表定量属性。这些数据将用于分析目的和检测网络入侵。总的数据被分成几个包含不同类型网络流量的段，其中包含DDoS、XSS入侵、蛮力入侵、SQL注入和贝宁流量的记录。所选数据集包含1188333行对网络入侵和白名单流量的观察，以及79个特征。
2022-12-09 11:28:29
123.36MB
DoS_attack_dataset_no_zero.csv 和 Add_DoS_attack_dataset1.csv 两个数据文件，zero文件中没有攻击块，dataset1文件中存在攻击块，攻击块用 ID=0 标识。
相关实验过程见链接https://blog.csdn.net/Netceor/article/details/124270032
2022-04-25 22:00:14
8.06MB
1
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。
NSL-KDD数据集是KDD 99数据集的改进：
1、NSL-KDD数据集的训练集中不包含冗余记录，所以分类器不会偏向更频繁的记录；
2、NSL-KDD数据集的测试集中没有重复的记录，使得检测率更为准确。
3、来自每个难度级别组的所选记录的数量与原始KDD数据集中的记录的百分比成反比。结果，不同机器学习方法的分类率在更宽的范围内变化，这使得对不同学习技术的准确评估更有效。
4、训练和测试中的记录数量设置是合理的，这使得在整套实验上运行实验成本低廉而无需随机选择一小部分。因此，不同研究工作的评估结果将是一致的和可比较的。
2022-04-16 20:00:08
5.74MB
UNSW_NB15入侵检测数据集，相比于KDD99和NSL KDD数据集更适合相关研究人员用于入侵检测系统的研究。
2022-04-16 20:00:07
145.16MB
KDD CUP99数据集：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。
UNSW_NB15数据集：是综合性的网络攻击流量数据集，包括训练数据和测试数据，被广泛应用于异常入侵检测。相比于KDD99和NSL KDD数据集更适合相关研究人员用于入侵检测系统的研究。
2022-02-25 15:18:09
168.32MB
1