DeepTraffic部署指南：在Linux系统中高效运行深度学习流量分类模型

【免费下载链接】DeepTrafficDeep Learning models for network traffic classification项目地址: https://gitcode.com/gh_mirrors/dee/DeepTraffic

DeepTraffic是一个基于深度学习的网络流量分类项目，能够利用CNN等模型对网络流量进行精准分类。本指南将带你快速在Linux系统中部署并运行DeepTraffic项目，即使你是深度学习和网络安全领域的新手，也能轻松上手。

📋 准备工作：环境依赖与工具安装

在开始部署前，请确保你的Linux系统已安装以下必要组件：

• Python 2.7（项目主要代码基于Python 2.7开发）
• TensorFlow 1.x（用于模型训练和推理）
• NumPy（数据处理库）
• Git（用于克隆项目代码）

可以通过以下命令安装基础依赖：

sudo apt update && sudo apt install -y python python-pip git pip install numpy tensorflow==1.15

🚀 快速部署：从克隆到运行的3个步骤

步骤1：克隆项目代码

使用Git命令将项目代码克隆到本地：

git clone https://gitcode.com/gh_mirrors/dee/DeepTraffic cd DeepTraffic

步骤2：准备训练数据

项目提供了预处理后的数据集，位于以下路径：

• 恶意流量分类数据集：1.malware_traffic_classification/3.PreprocessedResults/
• 加密流量分类数据集：2.encrypted_traffic_classification/3.PerprocessResults/

以10分类的良性流量数据集为例，解压后的数据路径为：1.malware_traffic_classification/3.PreprocessedResults/10class/Benign/FlowAllLayers/

步骤3：运行训练脚本

项目提供了多个训练脚本，以恶意流量分类为例，使用以下命令启动训练：

cd 1.malware_traffic_classification/4.TrainAndTest/ python traffic_cnn.py ../3.PreprocessedResults/10class/Benign/FlowAllLayers/ 10 40000

参数说明：

• 第一个参数：数据集路径
• 第二个参数：分类数量（2/10/20）
• 第三个参数：训练轮次

⚙️ 高级配置：优化模型性能

调整训练参数

在traffic_cnn.py中可以调整以下关键参数优化性能：

• 批处理大小（batch size）：默认为50，可根据显存大小调整
• 学习率：当前使用1e-4，可根据收敛情况调整
• dropout比例：默认为0.5，用于防止过拟合

选择不同模型架构

项目提供了多种模型架构选择：

• 2D CNN模型：1.malware_traffic_classification/4.TrainAndTest/traffic_cnn.py
• 1D CNN模型：2.encrypted_traffic_classification/4.TrainAndTest/1d_cnn_25+3/encrypt_traffic_cnn_1d.py
• CNN-RNN混合模型：3.HAST-IDS/iscx2012_cnn_rnn_5class.py

📊 结果评估：查看分类性能

训练完成后，结果将保存到out.txt文件中，包含：

• 每个类别的精确率（Precision）和召回率（Recall）
• 总体分类准确率（Total accuracy）

示例输出格式：

2023-10-01 15:30:00 DATA_DIR: ../3.PreprocessedResults/10class/Benign/FlowAllLayers/ 0, BitTorrent, 0.98, 0.97 1, Facetime, 0.96, 0.95 ... Total accuracy: 0.96

❓ 常见问题解决

Q1：运行时提示"ImportError: No module named input_data"

A1：需要确保input_data.py文件在Python路径中，该文件通常是TensorFlow的MNIST数据读取工具。

Q2：训练过程中显存不足

A2：尝试减小批处理大小或使用更小的模型架构，如1D CNN。

Q3：如何处理新的流量数据？

A3：使用项目提供的预处理工具链：

1. 1_Pcap2Session.ps1：将PCAP文件分割为会话
2. 2_ProcessSession.ps1：处理会话数据
3. 3_Session2png.py：将会话转换为图像
4. 4_Png2Mnist.py：转换为MNIST格式数据集

通过本指南，你已经掌握了DeepTraffic在Linux系统中的部署和基本使用方法。无论是进行网络安全研究还是深度学习应用开发，DeepTraffic都能为你提供强大的流量分类能力。现在就开始探索这个强大工具的更多可能性吧！

【免费下载链接】DeepTrafficDeep Learning models for network traffic classification项目地址: https://gitcode.com/gh_mirrors/dee/DeepTraffic