- Описание :
Это набор данных, использованный для Третьего международного конкурса средств обнаружения знаний и интеллектуального анализа данных, который проводился совместно с KDD-99 Пятой международной конференцией по обнаружению знаний и интеллектуальному анализу данных. Задача конкурса заключалась в создании детектора сетевых вторжений, прогностической модели, способной различать «плохие» соединения, называемые вторжениями или атаками, и «хорошие» нормальные соединения. Эта база данных содержит стандартный набор данных для аудита, который включает широкий спектр вторжений, смоделированных в военной сетевой среде.
Домашняя страница : https://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html
Исходный код :
tfds.structured.kddcup99.Kddcup99
Версии :
-
1.0.0
(по умолчанию): Первоначальный выпуск.
-
Размер загрузки :
18.62 MiB
.Размер набора данных :
5.25 GiB
Автоматическое кэширование ( документация ): Нет
Сплиты :
Расколоть | Примеры |
---|---|
'test' | 311 029 |
'train' | 4 898 431 |
- Особенности :
FeaturesDict({
'count': tf.int32,
'diff_srv_rate': tf.float32,
'dst_bytes': tf.int32,
'dst_host_count': tf.int32,
'dst_host_diff_srv_rate': tf.float32,
'dst_host_rerror_rate': tf.float32,
'dst_host_same_src_port_rate': tf.float32,
'dst_host_same_srv_rate': tf.float32,
'dst_host_serror_rate': tf.float32,
'dst_host_srv_count': tf.int32,
'dst_host_srv_diff_host_rate': tf.float32,
'dst_host_srv_rerror_rate': tf.float32,
'dst_host_srv_serror_rate': tf.float32,
'duration': tf.int32,
'flag': ClassLabel(shape=(), dtype=tf.int64, num_classes=11),
'hot': tf.int32,
'is_guest_login': tf.bool,
'is_hot_login': tf.bool,
'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=40),
'land': tf.bool,
'logged_in': tf.bool,
'num_access_files': tf.int32,
'num_compromised': tf.int32,
'num_failed_logins': tf.int32,
'num_file_creations': tf.int32,
'num_outbound_cmds': tf.int32,
'num_root': tf.int32,
'num_shells': tf.int32,
'protocol_type': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
'rerror_rate': tf.float32,
'root_shell': tf.bool,
'same_srv_rate': tf.float32,
'serror_rate': tf.float32,
'service': ClassLabel(shape=(), dtype=tf.int64, num_classes=71),
'src_bytes': tf.int32,
'srv_count': tf.int32,
'srv_diff_host_rate': tf.float32,
'srv_rerror_rate': tf.float32,
'srv_serror_rate': tf.float32,
'su_attempted': tf.int32,
'urgent': tf.int32,
'wrong_fragment': tf.int32,
})
Ключи под наблюдением (см . документ
as_supervised
):None
Рисунок ( tfds.show_examples ): не поддерживается.
Примеры ( tfds.as_dataframe ):
- Цитата :
@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"
}