kddcup99

• opis :

To jest zestaw danych wykorzystany w Trzecim Międzynarodowym Konkursie Narzędzi do odkrywania wiedzy i eksploracji danych, który odbył się w połączeniu z KDD-99, Piątą Międzynarodową Konferencją na temat odkrywania wiedzy i eksploracji danych. Zadanie konkursowe polegało na zbudowaniu detektora włamań do sieci, modelu predykcyjnego zdolnego do rozróżniania „złych” połączeń, zwanych włamaniami lub atakami, od „dobrych” normalnych połączeń. Ta baza danych zawiera standardowy zestaw danych do audytu, który obejmuje szeroką gamę włamań symulowanych w wojskowym środowisku sieciowym.

• Dodatkowa dokumentacja : Przeglądaj dokumenty z kodem na north_east

• Strona główna : https://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html

• Kod źródłowy : tfds.datasets.kddcup99.Builder

• Wersje :

  • 1.0.0 : Pierwsza wersja.
  • 1.0.1 (domyślnie): Naprawiono parsowanie pól boolowskich land , logged_in , root_shell , is_hot_login i is_guest_login .

• Rozmiar pliku do pobrania : 18.62 MiB

• Rozmiar zestawu danych : 5.25 GiB

• Automatyczne buforowanie ( dokumentacja ): Nie

• Podziały :

• Struktura funkcji :

FeaturesDict({
    'count': int32,
    'diff_srv_rate': float32,
    'dst_bytes': int32,
    'dst_host_count': int32,
    'dst_host_diff_srv_rate': float32,
    'dst_host_rerror_rate': float32,
    'dst_host_same_src_port_rate': float32,
    'dst_host_same_srv_rate': float32,
    'dst_host_serror_rate': float32,
    'dst_host_srv_count': int32,
    'dst_host_srv_diff_host_rate': float32,
    'dst_host_srv_rerror_rate': float32,
    'dst_host_srv_serror_rate': float32,
    'duration': int32,
    'flag': ClassLabel(shape=(), dtype=int64, num_classes=11),
    'hot': int32,
    'is_guest_login': bool,
    'is_hot_login': bool,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=40),
    'land': bool,
    'logged_in': bool,
    'num_access_files': int32,
    'num_compromised': int32,
    'num_failed_logins': int32,
    'num_file_creations': int32,
    'num_outbound_cmds': int32,
    'num_root': int32,
    'num_shells': int32,
    'protocol_type': ClassLabel(shape=(), dtype=int64, num_classes=3),
    'rerror_rate': float32,
    'root_shell': bool,
    'same_srv_rate': float32,
    'serror_rate': float32,
    'service': ClassLabel(shape=(), dtype=int64, num_classes=71),
    'src_bytes': int32,
    'srv_count': int32,
    'srv_diff_host_rate': float32,
    'srv_rerror_rate': float32,
    'srv_serror_rate': float32,
    'su_attempted': int32,
    'urgent': int32,
    'wrong_fragment': int32,
})

• Dokumentacja funkcji :

• Klucze nadzorowane (Zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Przykłady ( tfds.as_dataframe ):

• Cytat :

@misc{Dua:2019 ,
  author = "Dua, Dheeru and Graff, Casey",
  year = 2017,
  title = "{UCI} Machine Learning Repository",
  url = "http://archive.ics.uci.edu/ml",
  institution = "University of California, Irvine, School of Information and
Computer Sciences"
}