معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A python package to detect attacks via networks

ویژگی	مقدار
سیستم عامل	-
نام فایل	detect-attacks-0.0.9
نام	detect-attacks
نسخه کتابخانه	0.0.9
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Van-Kha Nguyen
ایمیل نویسنده	hainguyen579@gmail.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/detect-attacks/
مجوز	-

# Detect Attacks: A python package which detects network attacks includes: * Collecting data from attacks * Classifying data to predict the risks of the network attacks * Warning users risks which could be a network attack. # Getting Started ## Prerequisites * These packages should be installed before using detect_attacks: ``` tensorflow 1.5.0 sklearn 0.19.1 keras 2.1.3 numpy 1.14.0 matplotlib 2.1.2 deepmg 0.5.9 ``` * Please install if you do not have them ``` pip install matplotlib pip install numpy conda install scikit-learn conda install -c conda-forge tensorflow conda install -c conda-forge keras pip install Keras-Applications pip install Keras-Preprocessing pip install keras_sequential_ascii pip install deepmg ``` ## Install or Download the package detect_attacks ``` pip install detect_attacks ``` # Running Experiments ## How to use detect_attacks * **Input**: - mandatory: csv files containing data (\*_x.csv) and labels (\*_y.csv) - optional: if use external validation set: data (\*_zx.csv) and labels (\*_zy.csv)) put in [data](data/) changable with parameters *--orginal_data_folder*). For examples, data1_x.csv and data1_y.csv for. * **Output**: - *results*: performance/training/testing information of each fold and summary results put in [results/*name_dataset_parameters_to_generate_image*/] (results/) (changable with parameters **--parent_folder_results**), includes more than 5 files: - \*file_sum.txt: parameters used to run, performance at each fold. The last rows show training/testing performance in ACC, AUC, execution time, and other metrics of the experiment. When the experiment finishes, a suffix "_ok" (changable with parameters **--suff_fini**) appended to the name of file marking that the experiment finishes. - \*file_eachfold.txt (if **--save_folds=y**): results of each fold with accuracy, auc, mcc, loss of training and testing. - \*file_mean_acc.txt (if **--save_avg_run=y**): if the experiment includes *n* runs repeated independently, so the file includes average performance on *k*-folds of each run measured by **accuracy** and time execution at training/testing of beginning, training/testing when finished. - \*file_mean_auc.txt (if **--save_avg_run=y**): if the experiment includes *n* runs repeated independently, so the file includes average performance on *k*-folds of each run measured by **AUC** at training/testing of beginning, training/testing when finished. - If **--save_para=y**: configuration file to repeat the experiment - If use **--save_w=y** (save weights of trained networks) and/or **--save_entire_w=y**, **--save_d=y**, then 2 folders will be created: - results/*name_dataset_parameters_to_generate_image*/models/: includes \*weightmodel\*.json contains structure of the model \*weightmodel\*.h5 stores weights. - results/*name_dataset_parameters_to_generate_image*/details/\*weight_\*.txt: contains accuracy and loss of training and testing every epochs **--save_d=y**. If **--save_rf=y**, then we will have important scores generated from RFs for each run. ## Some examples ``` db_name='data1'; folder_data='/Users/hainguyen//test/data/'; folder_res='/Users/hainguyen//test/results/'; python -m detect_attacks -i $db_name -r $folder_data --parent_folder_results $folder_res --model rf_model python -m detect_attacks -i $db_name -r $folder_data --parent_folder_results $folder_res --model svm_model python -m detect_attacks -i $db_name -r $folder_data --parent_folder_results $folder_res --model model_cnn1d python -m detect_attacks -i $db_name -r $folder_data --parent_folder_results $folder_res --model model_mlp python -m detect_attacks -i $db_name -r $folder_data --parent_folder_results $folder_res --model fc_model ``` ## Download data Please use the link below to download data for the experiments [darpa29f](https://drive.google.com/file/d/1xv6NhPHOQD3YxjTeQ0EgeW0px3QljXIw/view?usp=sharing) # References:

نحوه نصب

نصب پکیج whl detect-attacks-0.0.9:

pip install detect-attacks-0.0.9.whl

نصب پکیج tar.gz detect-attacks-0.0.9:

pip install detect-attacks-0.0.9.tar.gz