卷积神经网络 KDD入侵检测

### 使用卷积神经网络（CNN）在KDD数据集上实现入侵检测

#### 数据预处理
对于 KDD CUP 99 数据集，在应用 CNN 进行入侵检测之前，需先进行适当的数据预处理。由于原始数据并非图像形式，因此需要转换成适合 CNN 输入的形式。一种常见方法是将每条记录视为一维向量，并将其重塑为二维矩阵以便于 CNN 处理[^1]。

import numpy as np

def preprocess_data(data, sequence_length=10):
    """
    将原始的一维时间序列数据转化为适合CNN输入的二维张量
    
    参数:
        data (numpy.ndarray): 原始特征数组
        sequence_length (int): 序列长度
        
    返回:
        reshaped_data (numpy.ndarray): 转换后的二维张量
    """
    num_records = len(data) // sequence_length
    reshaped_data = data[:num_records * sequence_length].reshape((num_records, sequence_length, -1))
    
    return reshaped_data

#### 构建卷积神经网络模型
构建适用于该任务的 CNN 模型时，可以采用多层卷积结构来捕捉不同层次上的模式。每一层都由多个滤波器组成，能够自动学习到重要的局部特征组合[^2]。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense, Dropout

model = Sequential([
    Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(sequence_length, feature_dim)),
    MaxPooling1D(pool_size=2),
    Conv1D(filters=128, kernel_size=5, activation='relu'),
    MaxPooling1D(pool_size=2),
    Flatten(),
    Dense(128, activation='relu'),
    Dropout(0.5),
    Dense(num_classes, activation='softmax')
])

#### 训练与评估
完成上述准备工作之后，即可利用准备好的训练样本对所设计的 CNN 模型展开训练过程。在此期间应合理设置超参数并监控验证集性能指标以防止过拟合现象发生。最终通过测试集评价整体效果。

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
history = model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size, validation_split=validation_ratio)

test_loss, test_acc = model.evaluate(X_test, y_test)
print(f'Test accuracy: {test_acc:.4f}')