# cicids2017-web

**Repository Path**: airely-code/cicids2017-web

## Basic Information

- **Project Name**: cicids2017-web
- **Description**: 入侵检测
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-30
- **Last Updated**: 2026-09-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

        CICIDS2017 是加拿大网络安全研究所发布的网络入侵检测标准数据集，采集周期为五天工作日，模拟真实办公网络环境与用户正常上网行为，同时植入各类主流网络攻击流量，是入侵检测模型训练与评测的核心基准数据集。数据集包含原始PCAP 数据包和经 CICFlowMeter 工具提取的CSV 流量特征文件，总计约 283 万条网络流记录，每条流包含近 80 维特征，涵盖流持续时长、前后向数据包数量、字节统计、数据包长度分布、TCP 标志位计数、时间间隔、空闲活跃时间等多维流量属性。数据集标签分为正常良性流量与十余类攻击流量，涵盖 FTP/SSH 暴力破解、端口扫描、DoS/DDoS、Web 攻击（SQL 注入、XSS）、僵尸网络、网络渗透、心脏滴血漏洞攻击等常见网络威胁类型，覆盖当下主流网络攻击场景。

## 系统总体设计

本系统采用数据 - 模型 - 应用三层闭环架构，实现从原始流量采集到安全告警输出的全链路自动化处理，覆盖数据处理、算法推理、可视化展示全流程。

### 三层架构设计

数据处理层：完成多源异构网络数据的清洗、标准化、特征筛选，为模型提供高质量输入；

核心算法层：搭载 SAE+DNN 深度学习模型，实现无监督特征提取与监督式攻击分类；

前端展示层：搭建可视化大屏，完成实时告警、态势分析、风险定位，辅助管理员决策。

### 全链路工作流程

系统分为四大执行阶段，实现端到端入侵检测：

数据采集层：通过网卡实时捕获网络原始流量数据包；

数据预处理层：完成数据清洗、归一化，提取 23 维核心特征；

模型检测层：SAE 特征降维 + DNN 分类计算，输出攻击置信度；

可视化展示层：攻击类型展示、实时告警推送、流量监控大屏呈现。

## 模型设计

本项目采用堆叠自编码器（SAE）无监督特征提取 + 深度神经网络（DNN）监督分类的融合模型，兼顾特征学习效率与攻击识别精度。

![image-20260630142029473](./img/5.png)

### 堆叠自编码器（SAE）

![image-20260630141457008](./img/2.png)

核心功能：无监督学习自动提取高维流量数据的核心特征，完成数据降维与噪声去除；

架构设计：80 + 维原始输入→23 维筛选特征→16 维隐藏层→8 维隐藏层→4 维瓶颈层（核心特征）；

训练方式：以最小化重构损失为目标完成预训练，保留编码器用于后续特征提取。

### 深度神经网络（DNN）

核心功能：基于 SAE 提取的 4 维核心特征，完成非线性映射与攻击类型精准分类；

架构设计：4 维特征输入→32 维隐藏层→64 维隐藏层→输出层（6 分类）；

训练方式：采用交叉熵损失函数监督训练，支持端到端模型微调，优化分类效果。

## 运行结果

![image-20260630143](./img/1.png)

![image-20260630141157838](./img/3.png)

![image-20260630141214931](./img/4.png)

实时告警：动态展示最新攻击事件、来源 IP、攻击类型、告警级别；

态势可视：通过饼图、IP 热力图呈现攻击分布，精准定位风险源；

资产监控：展示核心业务系统负载、告警统计、待办事项，辅助管理员快速决策。