kddcup99

• Descrizione :

Questo è il set di dati utilizzato per la terza competizione internazionale sugli strumenti per la scoperta della conoscenza e il data mining, che si è tenuta in concomitanza con la KDD-99, la quinta conferenza internazionale sulla scoperta della conoscenza e il data mining. Il compito del concorso era costruire un rilevatore di intrusioni di rete, un modello predittivo in grado di distinguere tra connessioni "cattive", chiamate intrusioni o attacchi, e connessioni normali "buone". Questo database contiene un set standard di dati da controllare, che include un'ampia varietà di intrusioni simulate in un ambiente di rete militare.

• Documentazione aggiuntiva : Esplora documenti con codice north_east

• Pagina iniziale : https://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html

• Codice sorgente : tfds.datasets.kddcup99.Builder

• Versioni :

  • 1.0.0 : Versione iniziale.
  • 1.0.1 (impostazione predefinita): corregge l'analisi dei campi booleani land , logged_in , root_shell , is_hot_login e is_guest_login .

• Dimensione del download : 18.62 MiB

• Dimensione del set di dati : 5.25 GiB

• Cache automatica ( documentazione ): No

• Divisioni :

• Struttura delle caratteristiche :

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,
})

• Documentazione delle funzionalità :

• Chiavi supervisionate (Vedi as_supervised doc ): None

• Figura ( tfds.show_examples ): non supportato.

• Esempi ( tfds.as_dataframe ):

• Citazione :

@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"
}