### 数据预处理与特征工程 在构建基于CNN的入侵检测系统之前，需要对数据进行预处理和特征工程。网络流量数据通常以原始包的形式存在，需要将其转换为可用于训练模型的结构化数据。可以使用`scapy`库对数据包进行解析，提取特征如IP地址、端口号、协议类型、数据包长度等[^1]。 ```python from scapy.all import sniff, IP def packet_callback(packet): if IP in packet: ip_src = packet[IP].src ip_dst = packet[IP].dst proto = packet[IP].proto length = len(packet) print(f"Source: {ip_src} Destination: {ip_dst} Protocol: {proto} Length: {length}") # 捕获数据包 sniff(prn=packet_callback, count=10) ``` ### 构建CNN模型 在数据预处理完成后，可以使用TensorFlow和Keras来构建CNN模型。通常，CNN由卷积层、池化层和全连接层组成，适用于检测网络流量中的局部模式[^1]。 ```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense # 假设输入数据已经被转换为适合CNN的格式 model = Sequential() model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(input_length, num_features))) model.add(MaxPooling1D(pool_size=2)) model.add(Flatten()) model.add(Dense(100, activation='relu')) model.add(Dense(1, activation='sigmoid')) # 假设是二分类问题 model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 打印模型摘要 model.summary() ``` ### 训练与评估 在模型构建完成后，需要对其进行训练和评估。通常，可以将数据集分为训练集和测试集，并使用交叉验证来评估模型的性能[^1]。 ```python # 假设X_train和y_train已经定义好 history = model.fit(X_train, y_train, epochs=10, batch_size=32, validation_split=0.2) # 评估模型 loss, accuracy = model.evaluate(X_test, y_test) print(f"Test Accuracy: {accuracy*100:.2f}%") ``` ### 实时检测 在模型训练完成后，可以将其用于实时入侵检测。可以通过捕获实时数据包并对其进行处理，然后使用训练好的模型进行预测。 ```python # 假设有一个实时数据处理函数process_realtime_data realtime_data = process_realtime_data() prediction = model.predict(realtime_data) print(f"Prediction: {prediction}") ``` ###