kddcup99

• Descripción :

Este es el conjunto de datos utilizado para la Tercera Competencia Internacional de Herramientas de Descubrimiento de Conocimiento y Minería de Datos, que se llevó a cabo junto con KDD-99, la Quinta Conferencia Internacional sobre Descubrimiento de Conocimiento y Minería de Datos. La tarea de la competencia era construir un detector de intrusiones en la red, un modelo predictivo capaz de distinguir entre conexiones 'malas', llamadas intrusiones o ataques, y conexiones normales 'buenas'. Esta base de datos contiene un conjunto estándar de datos para ser auditados, que incluye una amplia variedad de intrusiones simuladas en un entorno de red militar.

• Documentación adicional : Explore en Papers With Code north_east

• Página de inicio: https://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html

• Código fuente : tfds.datasets.kddcup99.Builder

• Versiones :

  • 1.0.0 : Versión inicial.
  • 1.0.1 (predeterminado): corrige el análisis de los campos booleanos land , logged_in , root_shell , is_hot_login y is_guest_login .

• Tamaño de la descarga : 18.62 MiB

• Tamaño del conjunto de datos : 5.25 GiB

• Almacenamiento automático en caché ( documentación ): No

• Divisiones :

• Estructura de características :

FeaturesDict({
    'count': int32,
    'diff_srv_rate': float32,
    'dst_bytes': int32,
    'dst_host_count': int32,
    'dst_host_diff_srv_rate': float32,
    'dst_host_rerror_rate': float32,
    'dst_host_same_src_port_rate': float32,
    'dst_host_same_srv_rate': float32,
    'dst_host_serror_rate': float32,
    'dst_host_srv_count': int32,
    'dst_host_srv_diff_host_rate': float32,
    'dst_host_srv_rerror_rate': float32,
    'dst_host_srv_serror_rate': float32,
    'duration': int32,
    'flag': ClassLabel(shape=(), dtype=int64, num_classes=11),
    'hot': int32,
    'is_guest_login': bool,
    'is_hot_login': bool,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=40),
    'land': bool,
    'logged_in': bool,
    'num_access_files': int32,
    'num_compromised': int32,
    'num_failed_logins': int32,
    'num_file_creations': int32,
    'num_outbound_cmds': int32,
    'num_root': int32,
    'num_shells': int32,
    'protocol_type': ClassLabel(shape=(), dtype=int64, num_classes=3),
    'rerror_rate': float32,
    'root_shell': bool,
    'same_srv_rate': float32,
    'serror_rate': float32,
    'service': ClassLabel(shape=(), dtype=int64, num_classes=71),
    'src_bytes': int32,
    'srv_count': int32,
    'srv_diff_host_rate': float32,
    'srv_rerror_rate': float32,
    'srv_serror_rate': float32,
    'su_attempted': int32,
    'urgent': int32,
    'wrong_fragment': int32,
})

• Documentación de características :

• Claves supervisadas (Ver as_supervised doc ): None

• Figura ( tfds.show_examples ): no compatible.

• Ejemplos ( tfds.as_dataframe ):

• Cita :

@misc{Dua:2019 ,
  author = "Dua, Dheeru and Graff, Casey",
  year = 2017,
  title = "{UCI} Machine Learning Repository",
  url = "http://archive.ics.uci.edu/ml",
  institution = "University of California, Irvine, School of Information and
Computer Sciences"
}