使用Tensorflow实现MLP进行入侵检测分类

使用Tensorflow实现MLP进行入侵检测分类

基于KDDCUP99数据集，使用Tensorflow构建MLP，进行入侵检测分类。

1、tensorflow系统

   是用数据流图(data flow graphs)技术来进行数值计算的。
   在Tensorflow中，用计算图来构建网络，用会话来具体执行网络。深入理解了这两点，我想，对于Tensorflow的设计思路，以及运行机制，也就略知一二了。
   图（tf.Graph）：计算图，主要用于构建网络，本身不进行任何实际的计算。计算图的设计启发是高等数学里面的链式求导法则的图。我们可以将计算图理解为是一个计算模板或者计划书。
   会话（tf.session）：会话，主要用于执行网络。所有关于神经网络的计算都在这里进行，它执行的依据是计算图或者计算图的一部分，同时，会话也会负责分配计算资源和变量存放，以及维护执行过程中的变量。

2、实现MLP

第一步：导入所需模块

import pandas as pd
import pickle  #用来加载筛选后的特征
import tensorflow as tf
import numpy as np
from sklearn.preprocessing import label_binarize  #将类标二元化0,1
import matplotlib
matplotlib.use("TkAgg")
import matplotlib.pyplot as plt

第二步：获取数据

使用该函数，load_data(file_train,file_test,file_fea)，最后得到经过特征筛选的x_train, y_train, x_test, y_test数据集。

第三步：定义常量

（1）定义参数：学习率，训练次数，批规模，监视步数（用于控制打印粒度）
（2）网络参数：输入层神经元，隐层神经元个数，分类个数

# Parameters
learning_rate = 0.0001
training_epochs = 5
batch_size = 50000
display_step = 1
# Network Parameters
n_input = 43
n_hidden_1 = 60  # 1st layer number of features
n_hidden_2 = 60  # 2nd layer number of features
n_classes = 2#二分类

第四步：定义变量

（1）占位：声明张量x和y的数据格式和形状（行不定，列确定）
（2）变量：权重和偏置

# tf Graph input
x = tf.placeholder("float", [None, n_input])#占位，输入维度和数据类型
y = tf.placeholder("float", [None, n_classes])#占位，输出维度和数据类型
# Store layers weight & bias
weights = {'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))
}
biases = {'b1': tf.Variable(tf.random_normal([n_hidden_1])),'b2': tf.Variable(tf.random_normal([n_hidden_2])),'out': tf.Variable(tf.random_normal([n_classes]))
}

第五步、构建MLP神经网络模型

输入：x, 权重，偏置
隐层1：构建隐层1的输入：线性组合；激活函数为relu
隐层2：构建隐层1的输入：线性组合；激活函数为relu
输出层：构建输出层的输入：线性组合；激活函数为softmax
返回：输出层结果，out_layer

def multilayer_perceptron(x, weights, biases):# Hidden layer with RELU activationlayer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])#tf.matmul矩阵乘法，然后各个维度加上偏置layer_1 = lu(layer_1)#第一个隐层的输出# Hidden layer with RELU activationlayer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'])layer_2 = lu(layer_2)#第二个隐层的输出# Output layer with linear activationout_layer = tf.matmul(layer_2, weights['out']) + biases['out']out_layer = tf.nn.softmax(out_layer)return out_layer

第六步、模型训练和存储

输入：x，权重，偏置，训练集
（1）构建模型：多层感知器，输入为x这样的，权重偏置为weights, biases这样的。
（2）定义损失函数和优化器：交叉熵损失函数，使用Adam优化求解器最小化损失函数。
（3）初始化模型保存：路径为E:all_modelsmodel.ckpt
（4）开始会话session
（5）初始化模型参数
（6）迭代训练：优化求解，计算损失函数值，达到最大迭代次数后：输出预测结果（true,false…)，计算精度accuracy_percentage ，输出预测结果，可视化，保存模型，返回模型保存路径。

def multilayer_perceptron_train_save(x, weights, biases,x_train, y_train):pred = multilayer_perceptron(x, weights, biases)cost = tf.reduce_softmax_cross_entropy_with_logits(logits=pred, labels=y))optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)saver = tf.train.Saver()model_path =r'E:all_modelsmodel.ckpt'sess = tf.InteractiveSession()# Starting Sessiontf.global_variables_initializer().run()# Initializing the variablesfor epoch in range(training_epochs):sess.run(optimizer, feed_dict={x: x_train, y : y_train})cc = sess.run(cost, feed_dict={x: x_train, y : y_train})if epoch % display_step == 0:correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))# Test modelaccuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))accuracy_percentage = sess.run(accuracy, feed_dict={x: x_train, y : y_train})print("Training Step: ", "%04d" % (epoch), 'cost=', "{:.9f}".format(cc), "Accuracy: ", accuracy_percentage)xpoints.append(epoch)ypoints.append(accuracy_percentage * 100)print("Optimization Finished!")print(xpoints, ypoints)plt.plot(xpoints, ypoints)plt.xlabel('Epochs')plt.ylabel('Accuracy Percentage')plt.title("Model Accuracy vs No of Epochs")plt.legend()plt.show()save_path = saver.save(sess, model_path)print("Model saved in file: %s" % save_path)return save_path

第七步 预测

输入：测试集和模型保存路径
创建会话，载模型的参数，对测试数据进行预测，输出分类结果。

def predict_class(x_test,y_test, save_path):sess = tf.InteractiveSession()saver = tf.train.Saver()store(sess, save_path)#print("Model restored from file: %s" % save_path)feed_dict = {x: x_test}classification = list(sess.run(y, feed_dict))print(classification)

if __name__ == '__main__':file_train = r'E:入侵检测机器学习在入侵检测的应用神经网络datasetdata_train_new_norm.csv'file_test = r'E:入侵检测机器学习在入侵检测的应用神经网络datasetdata_test_new_norm.csv'file_fea = r'E:入侵检测机器学习在入侵检测的应用神经网络datasetselected_feat_names.pkl'x_train, y_train, x_test, y_test = load_data(file_train, file_test, file_fea)xpoints = []ypoints = []save_path = r'E:all_modelsmodel.ckpt.data-00000-of-00001'multilayer_perceptron_train_save(x, weights, biases,x_train, y_train)predict_class(x_test, y_test, save_path)