基于CNN的工业物联网入侵检测的示例代码

以下是一个基于CNN的工业物联网入侵检测的示例代码，仅供参考：

# 导入必要的库
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split

# 加载数据集
data = pd.read_csv("intrusion_detection.csv")

# 将标签列转为数值型
data['label'] = data['label'].apply(lambda x: 0 if x == 'normal' else 1)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.drop('label', axis=1), data['label'], test_size=0.2, random_state=42)

# 将数据集转为3D张量
X_train = np.expand_dims(X_train.values, axis=2)
X_test = np.expand_dims(X_test.values, axis=2)

# 构建CNN模型
model = tf.keras.Sequential([
    layers.Conv1D(32, 3, activation='relu', input_shape=X_train.shape[1:]),
    layers.MaxPooling1D(2),
    layers.Conv1D(64, 3, activation='relu'),
    layers.MaxPooling1D(2),
    layers.Conv1D(128, 3, activation='relu'),
    layers.MaxPooling1D(2),
    layers.Flatten(),
    layers.Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, batch_size=64, epochs=10, validation_data=(X_test, y_test))

这个示例代码使用了一个包含3个卷积层和1个全连接层的CNN模型来进行工业物联网入侵检测。数据集使用了一个名为`intrusion_detection.csv`的文件，其中包含了网络流量数据和标签。在模型的训练过程中，我们按照80%/20%的比例将数据集划分为训练集和测试集，并使用了二元交叉熵作为损失函数和Adam优化器进行模型的优化。