网站开发女生适合吗,南京 外贸网站建设,推广普通话调查问卷,怎么查看wordpress加密流量分类torch实践5#xff1a;TrafficClassificationPandemonium项目更新3
更新日志
代码已经推送开源至露露云的github#xff0c;如果能帮助你#xff0c;就给鼠鼠点一个star吧#xff01;#xff01;#xff01; 我的CSDN博客 我的Github Page博客
3/23日更新…加密流量分类torch实践5TrafficClassificationPandemonium项目更新3
更新日志
代码已经推送开源至露露云的github如果能帮助你就给鼠鼠点一个star吧 我的CSDN博客 我的Github Page博客
3/23日更新此部分上节已经介绍 当前更新对运行项目是无影响的也就是说如果你是仅仅使用项目而不进行扩展的话此处更新是透明的对当前仓库版本的代码可以不进行同步。 代码已经推送开源至露露云的github如果能帮助你就给鼠鼠点一个star吧
模型结构更新 简要由原先各个模型独立抽象出了一个base_model模型基类由该基类继承nn.Module类定义抽象方法forward与data_trans方便不同模型进行各自的数据变换 为什么要改 dataloader给模型输入的数据格式是固定死的给每一个模型设定不同的dataloader违背了项目多个模型统一代码原则而不同模型对于数据的输入样式是不同的为了适用于之后会加入项目的模型抽象出一个基类设定一个data_trans抽象方法每一个模型都根据模型的输入去实现该方法即可这样做到了不更改dataloader的目的做到代码复用 dataloader给定的数据样式? 分析日志可以给出以下各个维度下dataloader给定的数据shape [2024-03-23 17:19:38,802 INFO] 是否使用 GPU 进行训练, cuda
[2024-03-23 17:19:44,781 INFO] 成功初始化模型.
[2024-03-23 17:19:44,814 INFO] pcap 文件大小, torch.Size([404, 1, 1024]); seq文件大小:torch.Size([404, 128, 1]); sta文件大小: torch.Size([404, 1024]); label 文件大小: torch.Size([404])
[2024-03-23 17:19:44,851 INFO] pcap 文件大小, torch.Size([404, 1, 1024]); seq文件大小:torch.Size([404, 128, 1]); sta文件大小: torch.Size([404, 1024]); label 文件大小: torch.Size([404])
[2024-03-23 17:19:44,851 INFO] 成功加载数据集.负载pay: [batch_size,1,m*n] 包长seq: [batch_size,seq_len,1] 统计sta: [batch_size,sta_len] m*n是预处理的前m个包的前n个字节这里目前写的是4*256也就是1024seq_len是预处理的前ip_length个包长这里目前是128sta_len是预处理的统计维度在10号更新的数据下是26
3/28日更新
增加模型二维卷积神经网络CNN2d 由于前期中的使用继承改善了模型结构这里只需要写一个py文件就可以了
Description: 二维卷积神经网络from math import sqrtimport torch
import torch.nn as nn
from models.base_model import BaseModelclass Cnn2d(BaseModel):def __init__(self, num_classes12):super(Cnn2d, self).__init__()# 卷积层池化层self.features nn.Sequential(nn.Conv2d(kernel_size5,in_channels1,out_channels32,stride1,padding2), # b,32,32,32nn.MaxPool2d(kernel_size2), # b,32,16,16nn.Conv2d(kernel_size5,in_channels32,out_channels64,stride1,padding2), # b,64,16,16nn.MaxPool2d(kernel_size2), # b,64,8,8)# 全连接层self.classifier nn.Sequential(# 29*64nn.Flatten(),nn.Linear(in_features64 * 64, out_features1024), # 1024:64*64nn.Dropout(0.5),nn.Linear(in_features1024, out_featuresnum_classes))def forward(self, pay, seq, sta):pay, seq, sta self.data_trans(pay, seq, sta)pay self.features(pay) # 卷积层, 提取特征pay self.classifier(pay) # 分类层, 用来分类return pay, Nonedef data_trans(self, x_payload, x_sequence, x_sta):# 转换x_0,x_1,x_2 x_payload.shape[0],x_payload.shape[1],x_payload.shape[2]x_payload x_payload.reshape(x_0,x_1,int(sqrt(x_2)),int(sqrt(x_2)))return x_payload, x_sequence, x_stadef cnn2d(model_path, pretrainedFalse, **kwargs):CNN 1D model architectureArgs:pretrained (bool): if True, returns a model pre-trained modelmodel Cnn2d(**kwargs)if pretrained:checkpoint torch.load(model_path)model.load_state_dict(checkpoint[state_dict])return modeldef main():a sqrt(1024)x_pay torch.rand(8,1,1024)cnn Cnn2d()x cnn(x_pay,x_pay,x_pay)if __name____main__:main()模型结构 两个卷积池化的组合卷积核大小都是5X5池化层的核大小都是2X2 在train_test_model.py中改动 from utils.set_config import setup_config
# from models.cnn1d import cnn1d as train_model
# from models.app_net import app_net as train_model
from models.cnn2d import cnn2d as train_model即可 开始训练 [2024-03-28 21:20:53,317 INFO] Epoch: [47][2/4], Loss 0.0001 (0.0005), Prec1 100.000 (100.000)
[2024-03-28 21:20:53,345 INFO] Epoch: [47][3/4], Loss 0.0000 (0.0005), Prec1 100.000 (100.000)
[2024-03-28 21:20:53,544 INFO] * Prec1 100.000
[2024-03-28 21:20:53,716 INFO] Epoch: [48][1/4], Loss 0.0001 (0.0002), Prec1 100.000 (100.000)
[2024-03-28 21:20:53,723 INFO] Epoch: [48][3/4], Loss 0.0000 (0.0003), Prec1 100.000 (100.000)
[2024-03-28 21:20:54,066 INFO] Epoch: [48][0/4], Loss 0.0000 (0.0000), Prec1 100.000 (100.000)
[2024-03-28 21:20:54,105 INFO] Epoch: [48][1/4], Loss 0.0014 (0.0007), Prec1 100.000 (100.000)
[2024-03-28 21:20:54,146 INFO] Epoch: [48][2/4], Loss 0.0001 (0.0005), Prec1 100.000 (100.000)
[2024-03-28 21:20:54,153 INFO] Epoch: [48][3/4], Loss 0.0000 (0.0005), Prec1 100.000 (100.000)
[2024-03-28 21:20:54,331 INFO] * Prec1 100.000
[2024-03-28 21:20:54,537 INFO] Epoch: [49][1/4], Loss 0.0080 (0.0055), Prec1 99.219 (99.609)
[2024-03-28 21:20:54,558 INFO] Epoch: [49][3/4], Loss 0.0000 (0.0058), Prec1 100.000 (99.505)
[2024-03-28 21:20:54,880 INFO] Epoch: [49][0/4], Loss 0.0000 (0.0000), Prec1 100.000 (100.000)
[2024-03-28 21:20:54,929 INFO] Epoch: [49][1/4], Loss 0.0001 (0.0001), Prec1 100.000 (100.000)
[2024-03-28 21:20:54,970 INFO] Epoch: [49][2/4], Loss 0.0013 (0.0005), Prec1 100.000 (100.000)
[2024-03-28 21:20:54,982 INFO] Epoch: [49][3/4], Loss 0.0000 (0.0005), Prec1 100.000 (100.000)
[2024-03-28 21:20:55,147 INFO] * Prec1 100.000修改测试文件相应的配置项并且切换为测试模式 Model Classification report:
[2024-03-28 21:26:19,166 INFO] ------------------------------
[2024-03-28 21:26:19,172 INFO] precision recall f1-score supportqq 1.00 1.00 1.00 90微信 1.00 1.00 1.00 206淘宝 1.00 1.00 1.00 108accuracy 1.00 404macro avg 1.00 1.00 1.00 404
weighted avg 1.00 1.00 1.00 404[2024-03-28 21:26:19,175 INFO]
Prediction Confusion Matrix:
[2024-03-28 21:26:19,175 INFO] ------------------------------
[2024-03-28 21:26:19,845 INFO] Predicted: qq 微信 淘宝
Actual: qq 90 0 0微信 0 206 0淘宝 0 0 108
