网络流量数据集（PCAP）

最新推荐文章于 2024-07-24 15:08:31 发布
最新推荐文章于 2024-07-24 15:08:31 发布
阅读量3.6k 收藏 13
点赞数
文章标签： 5g
原文链接：http://www.cnblogs.com/Emoth/p/10653013.html
版权
本文汇总了多个全球知名机构提供的网络流量数据集，包括MAWI、CIC、KDD'99、CAIDA等，涵盖了教育、研究、安全等多个领域，可用于分析、检测和防御网络攻击。
摘要由CSDN通过智能技术生成

汇总

https://www.test404.com/post-1494.html

 

部分转自https://blog.csdn.net/answer3lin/article/details/86480662

MAWI Working Group Traffic Archive
URL：http://mawi.wide.ad.jp/mawi/

CIC dataset
Canadian Institute for Cybersecurity datasets are used around the world by universities, private industry and independent researchers.

URL：https://www.unb.ca/cic/datasets/

KDD’99 (University of California, Irvine 1998, 99)
CAIDA (Center of Applied Internet Data Analysis – 2002/2016)
http://www.caida.org/data(缺乏政府，企业和研究机构的支持，DatCat发展空间不大)

UNIBS
数据集www.ing.unibs.it/ntw/tools/traces/index.php

WIDE
数据集http://mawi.wide.ad.jp/mawi

WITS
数据集www.wand.net.nz/wits(只能通过IPV6主机访问)

MAWILab
http://www.fukuda-lab.org/mawilab/data.html

CIDDS data sets
https://www.hs-coburg.de/index.php?id

最低0.47元/天 解锁文章
weixin_30268071
关注
网络安全系列-三十五:公开的用于网络流量分析的pcap文件
penriver的博客
11-07 1067
公开的用于网络流量分析的pcap文件，使用这些pcap文件，可以做一些简单的网络流量、攻防分析。
网络流量数据集
10-14
该数据集包含了真实网络中的流量，可以用于检测DDoS攻击实验。
【无线感知】【P7】WIFI 感知实战2- 数据集处理
最新发布
4AM_明朝百晓生
07-24 967
slide_size = 200 （滑动窗口，帧与帧之间存在overlap,less than window_size!1： 先通过 csv_import 提取训练input,label 到txt(只运行一次,大概18分钟）运行 cross_vali_data_convert_merge.py .先通过csv_import 提取Input, label 到txt(18分钟）每次训练的时候，通过csv_import(）方法加载数据集，这样可以专注模型优化。，加载训练的数据集以及标签（2分钟）
网络流量数据集——Moore
03-28
经典的Moore网络流量集，是Moore等人采集的剑桥大学的流量数据，可用于网络流量识别分类等领域。
Modbus网络流量数据集Modbus_traffic.arff
06-03
自己生成的Modbus网络流量数据集，包含正常通信流量，遭受攻击时的流量，并已经正确分类。可以用于Modbus入侵检测算法的训练。
Tor网络流量数据集
09-21
流量内容 •Web Browsing: Firefox and Chrome •Email: SMPTS, POP3S and IMAPS •Chat: ICQ, AIM, Skype, Facebook and Hangouts •Streaming: Vimeo and Youtube •File Transfer: Skype, FTP over SSH (SFTP) and FTP over SSL (FTPS) using Filezilla and an external service •VoIP: Facebook, Skype and Hangouts voice calls •P2P: uTorrent and Transmission (Bittorrent) 使用该流量做实验，请注明出处，加拿大一个网络空间实验室的，详细的可以私信我。
ICC 2017 恶意加密流量数据集 附说明
07-03
ICC 2017恶意加密流量数据集是为了研究和检测网络中的恶意加密流量而创建的。随着网络安全威胁的增加，尤其是加密通信的广泛使用，传统的基于特征的检测方法变得越来越难以检测恶意活动。该数据集提供了一个宝贵的...
网络流量入侵检测数据集CIC-IDS-2017
03-29
《网络流量入侵检测数据集CIC-IDS-2017详解》 网络流量入侵检测是网络安全领域的重要组成部分，它旨在识别并防止未经授权的活动，如恶意软件攻击、DDoS攻击等。CIC-IDS-2017是网络安全研究者们广泛使用的数据集，...
pcap_preprocessor:一个开源工具包库，用于预处理网络流量.pcap数据
04-07
一个开源工具包库，用于预处理网络流量.pcap数据。 需求前环境 环境要求 需要python3.7或更高版本。 设定环境 安装虚拟环境 pip install virtualenv 创建venv目录 python3 -m venv .venv 激活虚拟环境 source .venv/...
http-tunnel(隧道)
01-22
QQ上网代理，能够在突破端口限制！！！！！！！！！！！！！！！！！
Botnet-detection:使用机器学习识别僵尸网络
05-19
基于机器学习的僵尸网络检测 基于机器学习的僵尸网络检测是一种根据网络流量将网络流量归为僵尸网络入侵或不入侵的工具。 它涉及各种机器学习分类器，包括神经网络，决策树，朴素贝叶斯，逻辑回归，k最近邻。 客观的 该项目使用各种基于机器学习的分类器实现了一种新颖的方法来检测基于僵尸网络的网络入侵。 与传统的基于数据包分析的方法不准确且费时不同，此方法既稳健又高度准确。 该项目涉及以下机器学习分类器： 神经网络 决策树 逻辑回归 支持向量机 高斯朴素贝叶斯 K最近的邻居。 使用的数据集 该项目使用CTU-13数据集，其中涉及13种带有正常流量和僵尸网络流量的网络流量数据的场景。 该项目使用场景1来训练和测试各种模型。 依存关系 此项目需要以下python模块的集合： 科学的 麻木 茶野 scikit学习 凯拉斯 测试模型 要测试模型，请使用以下命令在Machine-Learning-Bas
网络流量领域公开数据集及工具库
热门推荐
jmhIcoding
05-29 4万+
流量分类领域数据集 本博客持续更新，收集平常读论文时提高的公开数据集和工具库。 数据集详情 http://traces.cs.umass.edu/index.php/Network/Network 系列： 这个网站提供了该学院很多数据集，这些数据集是他们发表论文时提取的，然后公开出来。 WebIdent 2 Traces 数据集描述： A collection of traces of web reque...
网络安全系列-XIV: 基于FCCX15数据集进行网络流量分析示例
penriver的博客
04-16 1246
FCCX15: 数据集来自卡内基梅隆大学软件工程研究所于2015年6月进行的网络演习，用于SiLK的培训，文档，分析测试 Network Traffic Analysis with SiLK Analyst’s Handbook for SiLK Version 3.15.0 and Later, August 2020 (7.4MiB pdf) ，此书介绍分析网络流量的方法，以SiLK工具套件中的命令为例，重点学习识别对网络信息安全至关重要的流量特征。 本文介绍如何使用FCCX 15数据集进行流量分析。
流量数据集学习
一个努力生活的人的博客
11-22 2518
文章目录流量数据集学习CIC-IDS2017CIC-IDS2018 流量数据集学习 CIC-IDS2017 数据集评估框架 （1）完整的网络配置：完整的网络拓扑结构包括调制解调器、防火墙、交换机、路由器和各种操作系统，如Windows、Ubuntu和Mac OS X。 （2）完整的流量：在受害网络和攻击网络中有一台用户配置代理和12台不同的机器。 （3）标签数据集：显示了每天的良性和攻击标签。 （4）完整的交互：通过使用两个不同的网络和Internet通信，我们涵盖了内部LAN和内部LAN之间的交互。
推荐开源项目：Vnstat - 简单高效的网络流量监控工具
gitblog_00072的博客
03-26 674
推荐开源项目：Vnstat - 简单高效的网络流量监控工具 vnstatvnStat - a network traffic monitor for Linux and BSD项目地址:https://gitcode.com/gh_mirrors/vn/vnstat 是一个轻量级、命令行界面的网络流量监测工具，适用于Linux系统。它主要用于统计网络接口的流量和时间数据，为用户提供清晰的网络使用...
网络流程数据集（PCAP）
馒 的技术空间
11-22 2529
我自己试了下这些网址，测试使用主要从这个网址中下载比较多：https://www.netresec.com/?page=pcapfiles 特别是一些示例包，在其中的wireshark的网址中下载的：SampleCaptures - The Wireshark Wiki 以下是原文，转自：网络流量数据集（PCAP） - Emoth - 博客园 汇总 https://www.test404.com/post-1494.html 部分转自https://blog.csdn.net/answe.
无监督学习与网络流量分析：从流量聚类到攻击检测
程序员光剑
12-31 953
1.背景介绍 无监督学习是一种机器学习方法，它不需要预先标记的数据集来训练模型。相反，它利用数据中的结构和模式来自动发现和学习模式。无监督学习可以应用于各种领域，包括图像处理、文本摘要、网络流量分析等。在本文中，我们将讨论无监督学习在网络流量分析中的应用，特别是流量聚类和攻击检测。 网络流量分析是一种用于分析网络流量的方法，以识别和识别网络问题、安全威胁和性能问题。无监督学习在网络流量分析中具...
CICIDS2017数据集
11-25
CICIDS2017数据集是一个网络入侵检测数据集，包含了来自真实网络环境的大量网络流量数据。该数据集包含了不同类型的攻击，例如DoS、DDoS、PortScan、Botnet等，并且还包含了正常的网络流量数据。这个数据集可以用于网络入侵检测算法的研究和评估。如果你想了解更多关于CICIDS2017数据集的信息，可以参考引用中提供的链接。 以下是一些使用CICIDS2017数据集进行机器学习算法训练和测试的例子： 1.使用随机森林算法进行网络入侵检测 ```python from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split import pandas as pd # 读取数据集 data = pd.read_csv('Friday-WorkingHours-Afternoon-DDos.pcap_ISCX.csv') # 数据预处理 data = data.dropna() data = data.drop(['Flow ID', 'Src IP', 'Dst IP', 'Timestamp'], axis=1) data['Label'] = data['Label'].apply(lambda x: 1 if 'BENIGN' in x else 0) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(data.drop('Label', axis=1), data['Label'], test_size=0.2) # 训练模型 rf = RandomForestClassifier(n_estimators=100) rf.fit(X_train, y_train) # 测试模型 print('Accuracy:', rf.score(X_test, y_test)) ``` 2.使用支持向量机算法进行网络入侵检测 ```python from sklearn.svm import SVC from sklearn.model_selection import train_test_split import pandas as pd # 读取数据集 data = pd.read_csv('Friday-WorkingHours-Afternoon-DDos.pcap_ISCX.csv') # 数据预处理 data = data.dropna() data = data.drop(['Flow ID', 'Src IP', 'Dst IP', 'Timestamp'], axis=1) data['Label'] = data['Label'].apply(lambda x: 1 if 'BENIGN' in x else 0) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(data.drop('Label', axis=1), data['Label'], test_size=0.2) # 训练模型 svm = SVC(kernel='linear') svm.fit(X_train, y_train) # 测试模型 print('Accuracy:', svm.score(X_test, y_test)) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值