KNN算法实现网络攻击的检测代码

KNN算法可以用于网络攻击的检测，以下是一个简单的Python实现：

import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix

# 加载数据集
data = pd.read_csv('network_intrusion_data.csv')

# 将分类数据转换为数值类型
data['label'] = data['label'].apply(lambda x: 0 if x == 'normal' else 1)

# 划分特征和标签
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 训练模型
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)

# 预测
y_pred = knn.predict(X_test)

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
confusion = confusion_matrix(y_test, y_pred)

print('Accuracy:', accuracy)
print('Confusion matrix:\n', confusion)

需要注意的是，KNN算法对于大规模的数据集可能会比较慢，因此在实际应用中可能需要使用其他更加高效的算法。另外，数据预处理也非常重要，需要对数据进行清洗、去除异常值等处理，以提高模型的准确性。