使用Knn算法对KDDcup99进行分类处理，包含部分数据集，并对数据集进行了预处理，包括特征选择，标准化，归一化等；

由于网上的数据集参差不全，自己在学习的过程中整理了一下，然后根据标签对其进行了分类，这是完整版。kddcup99 分标签整理，完整版。

”KDD CUP 99 dataset ”就是KDD竞赛在1999年举行时采用的数据集。

入侵检测数据集、KDD数据集、处理好的arff格式，网络安全数据集

KDDCup99的原始数据来自于1998年的DARPA入侵检测评估项目，所有的网络数据来自于一个模拟的美国空军局域网，网络中加了很多模拟的攻击。实验的训练数据为7周的网络流量，这些网络流量包含有约500万条网络连接;实验的测试数据为2周的网络流量，包含有约200万条网络连接。虽然年代有些久远，但KDD99数据集仍然是网络入侵检测领域的事实Benckmark，为基于计算智能的网络入侵检测研究奠定基础。

处理KDD99数据集

在网络安全框架中，入侵检测是基准测试之一，并且是保护PC免受许多线程侵害的基本方法。 入侵检测中的巨大问题以大量的虚假警报表示。 这个问题激发了一些专家来发现根据数据挖掘来减少错误警报的解决方案，这是在大数据（例如KDD CUP 99）中使用的分析过程的考虑因素。本文对处理入侵检测中的错误警报的各种数据挖掘分类进行了综述。 。 根据测试结果，在KDD CUP 99上进行数据挖掘的许多过程中，没有任何一个过程可以准确地显示所有攻击类别，并且没有错误警报。 多层感知器的最佳精度为92％； 但是，在基于规则的模型中，最佳训练时间是4秒。 结论是，应使用各种程序来处理几种网络攻击。

完整的KDDCUP数据集。用于入侵检测使用的数据集，具有多种数据攻击方式。。。

请随时研究数据集上异常检测的不同算法。 Python或Matlab中的机器学习分类器（例如SVM，TSVM，Radom Forrest，RNN等）； Python或Matlab中的（例如NSA，否定选择算法）； 最后，总结不同算法的比较。

kdd99-scikit scikit-learn使用决策树（CART）和多层感知器解决kdd99数据集的解决方案 Kdd99数据集简介 是建立一个网络入侵检测器，这是一种能够区分“不良”连接（称为入侵或攻击）和“良好”正常连接的预测模型。 请注意，测试数据并非与训练数据具有相同的概率分布，并且包括不在训练数据中的特定攻击类型。 训练数据快照（ raw/kddcup.data_10_percent.txt ）： 0,tcp,http,SF,181,5450,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,8,8,0.00,0.00,0.00,0.00,1.00,0.00,0.00,9,9,1.00,0.00,0.11,0.00,0.00,0.00,0.00,0.00,normal. 0,tcp,http,SF,239,486,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,8,8,0.00,0.00,0.00,0.00,1.00,0.00,0.00,19,19,1.00,0.00,0.05,0.00,0.00,0.00,0.00,0.00,norm