簡介這是一套基于機器學習的入侵檢測系統(tǒng)完整實現(xiàn)包含源代碼與配套文檔適合計算機相關(guān)專業(yè)的在校學生用于畢業(yè)設(shè)計、課程設(shè)計或項目初期立項演示也適合初學者進階學習。系統(tǒng)采用Python編寫代碼涵蓋數(shù)據(jù)預處理、SVM分類算法以及網(wǎng)絡抓包模塊包括數(shù)據(jù)讀取、標準化處理等環(huán)節(jié)讀者可從中理解從數(shù)據(jù)清洗、特征提取到模型訓練與入侵檢測的完整流程。資源共22個文件以Python腳本為核心輔以XML配置、Markdown說明文檔及許可證文件整體壓縮包僅18KB代碼精簡、目錄結(jié)構(gòu)清晰便于快速閱讀與二次修改。目前已有457人學習下載項目說明顯示源碼已經(jīng)運行測試答辯評審平均分達到96分完成度較高。通過閱讀源碼與配套文檔不僅能快速復現(xiàn)基礎(chǔ)的入侵檢測流程還可在此基礎(chǔ)上替換算法或接入真實網(wǎng)絡數(shù)據(jù)適合作為進一步研究、課程作業(yè)參考或項目拓展的起點。1. 基于機器學習的入侵檢測系統(tǒng)源碼包拆解與復現(xiàn)路徑這套「基于機器學習的入侵檢測系統(tǒng)」源碼本質(zhì)是一條完整的批處理檢測管線Sniffer.py負責抓流量DataProcessor.py把流量解析成特征向量SVM.py負責訓練和判別最終輸出正常 / 異常的判斷結(jié)果。它對應的是計算機相關(guān)專業(yè)里典型的畢設(shè)課題也適合作為課程設(shè)計或項目初期立項演示。與大部分用深度學習做 IDS 的演示項目不同這套代碼的核心分類器是 SVM在小樣本、高維流特征的場景下反而比神經(jīng)網(wǎng)絡更可控訓練快、調(diào)參透明答辯時也好解釋。適合想快速拿到一套能跑通、能復現(xiàn)、能改的入侵檢測系統(tǒng)的從業(yè)者或?qū)W生我下面把建模思路、運行流程、參數(shù)設(shè)置和踩坑點逐一拆開。2. 為什么選 SVM 加流特征入侵檢測建模思路與特征工程2.1 入侵檢測先分清檢測對象網(wǎng)絡側(cè)與數(shù)據(jù)側(cè)入侵檢測系統(tǒng)Intrusion Detection System, IDS按數(shù)據(jù)源大致分兩類。一類是主機側(cè)HIDS看系統(tǒng)日志、進程行為、文件完整性另一類是網(wǎng)絡側(cè)NIDS抓網(wǎng)絡流量分析。這套源碼走的是網(wǎng)絡側(cè)因為網(wǎng)絡側(cè)的數(shù)據(jù)獲取路徑最短而且不依賴目標主機的權(quán)限只需在網(wǎng)絡接入層做鏡像或旁路抓包。網(wǎng)絡側(cè) IDS 的檢測對象是「流」flow而非單個包。單個包能提供的信息非常有限只有 IP、端口、TCP 標志位和少量載荷但把一段時間內(nèi)屬于同一個 TCP 連接的數(shù)據(jù)包聚合起來就能計算會話時長、包長分布、包到達間隔等統(tǒng)計特征這些特征才能暴露端口掃描、DDoS、慢速爆破等行為模式。WebPackageSniffer這個目錄名說明這套代碼里有針對 Web 流量的抓取組件它配合Sniffer.py的工作方式是先抓原始報文再做五元組源 IP、目的 IP、源端口、目的端口、協(xié)議聚合按會話切分最后交給DataProcessor.py做特征統(tǒng)計。這個流程與 Suricata 等傳統(tǒng) IDS 的「抓包→解碼→規(guī)則匹配」思路不一樣它跳過了規(guī)則匹配直接讓機器學習算法從特征里學規(guī)律。2.2 SVM 在入侵檢測里憑什么合適常見的 IDS 分類器有決策樹、隨機森林、樸素貝葉斯、SVM以及后起的深度學習。這套源碼選 SVM有幾個現(xiàn)實原因。第一流特征通常是高維的。DataProcessor.py里對每個會話提取的特征一般有三十到幾十個維度而樣本量受限于標注數(shù)據(jù)集的規(guī)模往往只有幾萬條。高維小樣本正是 SVM 的舒適區(qū)它通過核函數(shù)把原始特征映射到高維空間在映射后的空間里找最大間隔超平面不容易像深度網(wǎng)絡那樣在小數(shù)據(jù)上過擬合。第二SVM 的決策邊界只由支持向量決定對冗余特征相對不敏感。網(wǎng)絡流量特征里經(jīng)常存在強相關(guān)變量比如包長均值與包長中位數(shù)決策樹類模型也可以處理但 SVM 配合標準化后收斂更穩(wěn)定。第三畢設(shè)場景需要「能講清楚」。SVM 的數(shù)學原理最大間隔、核函數(shù)、支持向量是機器學習課程的核心內(nèi)容答辯時解釋成本低。不過要留意一個點SVM 的原生輸出是樣本到超平面的距離而不是概率不能直接把predict結(jié)果當成置信度來展示。下面是典型的訓練流程代碼骨架對應SVM.py里的核心邏輯from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC from sklearn.metrics import classification_report, confusion_matrix # 加載經(jīng)過 DataProcessor 處理后的特征表 # 假設(shè)特征列是 feats標簽列是 label0 正常1 異常 X df[feats].values y df[label].values # 先劃分再標準化避免測試集信息泄漏到訓練過程 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42, stratifyy ) scaler StandardScaler() X_train scaler.fit_transform(X_train) X_test scaler.transform(X_test) # RBF 核C 控制誤分類懲罰gamma 控制單個樣本的影響半徑 clf SVC(kernelrbf, C10.0, gammascale, class_weightbalanced) clf.fit(X_train, y_train) y_pred clf.predict(X_test) print(classification_report(y_test, y_pred))邏輯說明先劃分訓練集和測試集是為了防止標準化時測試集的統(tǒng)計量參與計算這是初學者最容易犯的錯誤。stratifyy保證正常和異常樣本在訓練集與測試集里的比例一致避免某個分類在測試集里一個樣本都沒有。class_weightbalanced在樣本不平衡時代價敏感地調(diào)整誤分類權(quán)重后面會展開說。參數(shù)說明C10.0的語義是誤分類懲罰強度C 越大邊界越嚴格但也更容易過擬合gammascale表示根據(jù)特征數(shù)量自動計算 gamma 初值比手動填一個固定數(shù)值更穩(wěn)健我通常從scale起步再微調(diào)。2.3 特征工程重點協(xié)議頭、報文分布與時間窗統(tǒng)計DataProcessor.py在整條管線里承擔的是特征提取這是影響檢測效果最關(guān)鍵的一環(huán)。模型再強喂進去的特征區(qū)分度不夠結(jié)果也是空轉(zhuǎn)。常見做法是從原始 pcap 里按會話聚合計算三類特征。第一類是報文長度分布特征包括每個方向上包長的均值、方差、最大最小值、中位數(shù)。端口掃描和 DDoS 流量的包長往往集中在很小的范圍而正常 Web 流量的包長波動很大。第二類是時間相關(guān)特征如會話持續(xù)時間、到達間隔的均值與標準差。暴力破解會表現(xiàn)為短時間內(nèi)大量短連接持續(xù)時間極短。第三類是協(xié)議行為特征比如 TCP 標志位的統(tǒng)計、SYN 包占比、ACK 包占比。SYN flood 的 SYN 包比例會異常高。實際操作時DataProcessor.py一般先從抓包文件里提取每條流的五元組再按流 ID 聚合。偽代碼如下import pandas as pd def extract_session_features(flows): 對切分好的會話列表計算統(tǒng)計特征 records [] for flow_id, packets in flows.items(): lengths [p[length] for p in packets] timestamps [p[timestamp] for p in packets] intervals [timestamps[i1] - timestamps[i] for i in range(len(timestamps)-1)] records.append({ flow_id: flow_id, pkts: len(packets), bytes_total: sum(lengths), len_mean: sum(lengths) / len(packets), len_std: (sum((x - sum(lengths)/len(packets))**2 for x in lengths) / len(packets)) ** 0.5, duration: timestamps[-1] - timestamps[0], iat_mean: sum(intervals) / len(intervals) if intervals else 0, }) return pd.DataFrame(records)邏輯說明interval計算的是包與包之間的到達間隔iat_mean反映連接建立的頻率特征len_std在掃描攻擊時會明顯偏小。這些特征都不依賴 IP 和端口因此泛化性比直接輸入 IP 好得多。這里有一個關(guān)鍵邊界不要把源 IP、目的 IP、源端口、目的端口直接作為特征喂給 SVM否則模型學到的是「某個 IP 是壞的」而非「某種行為是壞的」換一個 IP 就失效。我在實際項目中見過有人把五元組作為特征直接訓練訓練集準確率接近 100%測試集一到真實網(wǎng)絡就崩原因就在標簽泄漏。3. 把代碼跑起來環(huán)境準備、訓練流程與關(guān)鍵參數(shù)解讀3.1 環(huán)境搭建與依賴確認打開壓縮包先看目錄結(jié)構(gòu)核心是MLAlgorithms目錄放算法實現(xiàn)以及根目錄的Sniffer.py、DataProcessor.py、SVM.py。WebPackageSniffer目錄負責 Web 流量抓取模塊。在跑之前先把依賴裝齊典型環(huán)境為 Python 3.7 到 3.10 之間需要的庫如下pip install scikit-learn pandas numpy scapy pyshark matplotlib邏輯說明scapy用于抓包和解析報文pyshark是對 Wireshark 的 tshark 命令的封裝scikit-learn提供 SVM 實現(xiàn)matplotlib用于后面可視化輸出。pyshark依賴系統(tǒng)安裝 Wireshark環(huán)境變量里要能找到tshark。如果提示找不到tshark屬于環(huán)境變量問題。Windows 下把 Wireshark 安裝目錄默認C:\Program Files\Wireshark加入PATHLinux 下檢查which tshark沒裝則執(zhí)行sudo apt install tshark注意安裝過程中會詢問是否允許非 root 用戶抓包選是否則每次都要用 sudo 執(zhí)行。3.2 數(shù)據(jù)集準備與標簽理解訓練一個監(jiān)督分類器必須有標注數(shù)據(jù)。最常用的畢設(shè)數(shù)據(jù)集是 NSL-KDD修正版 KDDCUP99它已經(jīng)處理好了特征列和標簽列省去了大量預處理工作。典型列結(jié)構(gòu)包含 41 個特征加 1 個標簽列標簽有normal和各類攻擊類型。使用時的處理慣例是把多分類任務折疊成二分類正常流量記為 0所有攻擊類型統(tǒng)一記為 1。折疊后對模型的壓力會小很多也貼合這個項目的「正常 / 異?！苟诸惗ㄎ?。讀取與折疊的代碼一般寫在DataProcessor.py里import pandas as pd df pd.read_csv(KDDTrain.txt, headerNone) label_col df.columns[-1] df[label] df[label_col].apply(lambda x: 0 if x normal else 1) # 丟棄原始協(xié)議類型列和 label 列保留數(shù)值特征 feats [c for c in df.columns if c not in [label_col, label]] X df[feats].values y df[label].values邏輯說明KDD 數(shù)據(jù)集的原始標簽是字符串需要一次性映射成整數(shù)。代碼里apply僅針對最后一列做判斷normal映射為 0其他所有攻擊標簽映射為 1這是最常見的做法。參數(shù)說明feats列表排除了原始標簽列但要注意 KDD 里還有兩列是符號型特征協(xié)議類型、服務類型直接喂給 SVM 前要做編碼或直接丟棄。我的習慣是先丟掉協(xié)議和服務列只保留連續(xù)數(shù)值特征因為這兩個符號字段在真實流量里分布差異極大容易造成過擬合。3.3 訓練流程與 SVM 參數(shù)調(diào)優(yōu)SVM.py里提供的訓練流程一般分為四步標準化 → 劃分數(shù)據(jù)集 → 訓練 → 輸出評估指標。完整流程可以寫成一個可復用的函數(shù)def train_svm(X, y, test_size0.3, kernelrbf, C10.0, gammascale): X_train, X_test, y_train, y_test train_test_split( X, y, test_sizetest_size, random_state42, stratifyy ) scaler StandardScaler().fit(X_train) X_train_scaled scaler.transform(X_train) X_test_scaled scaler.transform(X_test) clf SVC(kernelkernel, CC, gammagamma, class_weightbalanced) clf.fit(X_train_scaled, y_train) y_pred clf.predict(X_test_scaled) acc (y_pred y_test).mean() print(fAccuracy: {acc:.4f}) print(confusion_matrix(y_test, y_pred)) return clf, scaler邏輯說明scaler必須在訓練集上fit再對測試集只做transform這是為了保持特征縮放的一致性。返回值里clf和scaler都要保留后續(xù)實時檢測時需要先用scaler處理在線提取的特征再交給clf預測。參數(shù)說明random_state42固定隨機種子讓每次運行結(jié)果可復現(xiàn)這是答辯前必須養(yǎng)成的習慣test_size0.3表示測試集占 30%如果數(shù)據(jù)量小可以調(diào)到 0.2但不宜更小否則評估結(jié)果不穩(wěn)定。調(diào)參時可以先用網(wǎng)格搜索找一組較優(yōu)的C和gamma再人工微調(diào)from sklearn.model_selection import GridSearchCV param_grid { C: [1, 10, 100], gamma: [scale, 0.01, 0.001] } grid GridSearchCV(SVC(kernelrbf, class_weightbalanced), param_grid, cv5) grid.fit(X_train_scaled, y_train) print(grid.best_params_, grid.best_score_)邏輯說明網(wǎng)格搜索會在每個參數(shù)組合上做 5 折交叉驗證選出平均分數(shù)最高的一組。這樣比手動試參更系統(tǒng)缺點是計算量大KDD 數(shù)據(jù)集規(guī)模不大通常一分鐘內(nèi)能跑完。這里有個經(jīng)驗C從 1 到 100 之間調(diào)整gamma如果設(shè)得太大比如 0.1 以上SVM 會把每個樣本周圍都畫得很緊訓練集分數(shù)很高測試集卻明顯下跌這是過擬合的信號。4. 入侵檢測應用中的常見問題與排查流量丟了、樣本偏了、誤報炸了4.1 抓包長度不足導致特征算出來全是 0現(xiàn)象用Sniffer.py跑實時抓包喂給DataProcessor.py后會話特征的包長度、字節(jié)數(shù)全部為 0SVM 預測結(jié)果清一色是正常。原因抓包時網(wǎng)卡沒有開啟混雜模式或者抓包長度被限制。在交換網(wǎng)絡環(huán)境下非混雜模式只能收到發(fā)往本機的報文大量旁路流量根本進不來抓包長度snaplen設(shè)置過短則只能拿到報文頭部載荷被截斷雖然長度字段還在但重組和統(tǒng)計會出問題。解決在Sniffer.py里顯式設(shè)置網(wǎng)卡為混雜模式并把 snaplen 調(diào)大import pyshark # 開啟混雜模式抓完整包timeout 表示窗口時長秒 capture pyshark.LiveCapture( interfaceeth0, use_jsonTrue, bpf_filtertcp or udp, monitor_modeFalse ) capture.sniff(timeout60)邏輯說明bpf_filter限制只抓 TCP 和 UDP 報文減少不必要的處理開銷timeout60表示持續(xù)抓取 60 秒然后統(tǒng)一輸出這批流量做分析。如果是在虛擬機上跑注意虛擬機網(wǎng)卡默認可能是 NAT 模式只能看到虛擬網(wǎng)段里的流量需要改成橋接模式才能看到真實局域網(wǎng)流量。還有一個容易被忽略的細節(jié)在 WSL 環(huán)境下跑pyshark抓包經(jīng)常拿不到接口列表這不是代碼問題是 WSL 的網(wǎng)卡架構(gòu)不支持原生抓包建議直接換到原生 Linux 環(huán)境。4.2 樣本不平衡導致全判成正常流量現(xiàn)象訓練完成后準確率 99%但看混淆矩陣發(fā)現(xiàn)異常樣本的召回率接近于 0模型把所有流量都判成正常。原因真實網(wǎng)絡里正常流量占絕對多數(shù)異常流量可能不足 1%。SVM 在默認設(shè)置下追求整體準確率少數(shù)類的誤分對損失函數(shù)貢獻太小因此邊界會偏向多數(shù)類一側(cè)。解決在創(chuàng)建SVC實例時加class_weightbalanced它的作用是按類別樣本數(shù)量的反比自動調(diào)整權(quán)重少數(shù)類分錯時付出更高的代價。代碼前面已經(jīng)出現(xiàn)過這里列一下調(diào)整前和調(diào)整后的效果差異# 調(diào)整前異常樣本幾乎全部漏報 clf SVC(kernelrbf, C10, gammascale) # 調(diào)整后少數(shù)類召回率明顯上升但誤報也會增加 clf SVC(kernelrbf, C10, gammascale, class_weightbalanced)邏輯說明class_weightbalanced等于給樣本量少的類別更高的誤分類懲罰代價是正常流量的誤報率會上升這是安全場景下的合理取舍——漏掉一次攻擊的代價通常比多告警一次高得多。4.3 離線訓練與在線檢測的特征不一致現(xiàn)象訓練集上用 NSL-KDD 評估效果不錯但把Sniffer.py抓到的新流量喂給同一個模型預測結(jié)果完全失真。原因離線訓練的特征來自已經(jīng)切分好的會話記錄而實時抓包的流量是連續(xù)不斷的字節(jié)流切分方式不同導致每條流的特征計算口徑不一致模型輸入分布完全變了。解決把特征提取邏輯封裝成一個統(tǒng)一函數(shù)在線和離線共用同一套特征計算代碼。我一般這樣做def build_flow_features(packets): 統(tǒng)一的流特征提取入口離線和實時都走這里 flows sessionize_packets(packets) features extract_session_features(flows) features drop_ip_and_port(features) return features邏輯說明sessionize_packets負責按五元組和超時閾值切分會話extract_session_features計算統(tǒng)計量drop_ip_and_port保證特征與離線訓練時一致。只要離線訓練的數(shù)據(jù)集預處理也調(diào)用了這個函數(shù)特征口徑就不會錯位。4.4 SVM 預測結(jié)果全是同一個類別現(xiàn)象對一批新流量預測輸出全部為 0 或全部為 1。原因predict_proba需要SVC(probabilityTrue)才能計算概率默認的 SVM 模型只能輸出類別標簽和決策距離。如果代碼里調(diào)用了predict_proba而實例化時沒加probabilityTrue會直接報錯不報錯但全判一類的情況通常是特征標準化參數(shù)不匹配比如用訓練集的scaler處理在線特征但由于在線流量統(tǒng)計量異常標準化后特征值全部落在邊界同一側(cè)。解決在SVC實例化時開啟probabilityTrue并檢查在線特征的值域范圍是否與訓練集一致clf SVC(kernelrbf, C10, gammascale, class_weightbalanced, probabilityTrue) distances clf.decision_function(X_test_scaled)邏輯說明decision_function返回的是樣本到超平面的帶符號距離距離越大說明越像正常類為負、越大說明越像異常類為正。用這個距離做閾值比直接用predict更靈活可以在告警敏感度上做調(diào)節(jié)。4.5 抓包程序長時間運行內(nèi)存持續(xù)上漲現(xiàn)象Sniffer.py連續(xù)跑幾小時內(nèi)存占用漲到幾個 GB最后進程被殺。原因?qū)崟r抓包時把報文全部緩存在列表里會話超時后沒有及時回收數(shù)據(jù)結(jié)構(gòu)。解決對 TCP 流做主動老化超過 120 秒沒有新包的會話強制關(guān)閉并釋放內(nèi)存# flow_table 是五元組 id - 會話對象 for fid in list(flow_table.keys()): if time.time() - flow_table[fid].last_seen 120: processed extract_session_features({fid: flow_table[fid]}) flow_table.pop(fid)邏輯說明這段代碼在每次抓取新包時順帶掃描一次流表超時會話先提取特征再刪除引用。判斷條件里的 120 秒要大于你的會話超時閾值不然正常的慢連接會被提前切斷。5. 從離線檢測到實時檢測把 Sniffer 接入 SVM 判別的重構(gòu)思路5.1 實時檢測的整體結(jié)構(gòu)WebPackageSniffer目錄配合Sniffer.py可以做實時檢測改造。整體結(jié)構(gòu)是三條線并行抓包線程持續(xù)接收報文會話管理模塊做流聚合檢測模塊按時間窗口觸發(fā) SVM 判定。三個模塊之間用隊列解耦避免抓包阻塞影響判別。核心工作流是抓包線程把每個包解析成(五元組, 長度, 時間戳)的元組入隊會話管理模塊從隊列取包更新對應的流對象每隔 N 秒把當前活躍會話的特征做一次批量提取送入SVM.py訓練好的模型預測。import queue import threading import time pkt_queue queue.Queue() session_table {} def packet_callback(packet): # 解析包信息并放入隊列 pkt_queue.put({ src_ip: packet.ip.src, dst_ip: packet.ip.dst, src_port: packet[packet.transport_layer].srcport, dst_port: packet[packet.transport_layer].dstport, length: int(packet.length), timestamp: float(packet.frame_info.time_epoch) }) def detector_loop(clf, scaler, window60): while True: time.sleep(window) pending [] for fid, flow in session_table.items(): if time.time() - flow[last_seen] window: pending.append((fid, flow)) features extract_session_features(dict(pending)) scaled scaler.transform(features.drop(columns[flow_id])) preds clf.predict(scaled) for fid, pred in zip(features[flow_id], preds): if pred 1: print(f[ALERT] 異常流 {fid})邏輯說明抓包回調(diào)只是快速解析入隊不做任何統(tǒng)計避免在高流量下阻塞抓包線程。檢測循環(huán)按固定時間窗口觸發(fā)窗口內(nèi)活躍的會話統(tǒng)一推理這樣能批量復用模型預測接口效率比每來一個包預測一次高得多。參數(shù)說明window60表示 60 秒觸發(fā)一次全量檢測窗口大小需要權(quán)衡實時性和特征穩(wěn)定性。窗口太短5 秒內(nèi)統(tǒng)計量方差大模型輸出不穩(wěn)定太長300 秒以上異常行為已經(jīng)被放大到影響業(yè)務告警失去意義。實際部署時我會在 30 到 90 秒之間試跑觀察誤報率變化再定。5.2 窗口切分與特征對齊實時檢測里最容易翻車的點是「一個會話跨窗口」。假設(shè)窗口是 60 秒某條 TCP 連接在 0 到 120 秒持續(xù)傳輸?shù)谝淮螜z測窗口只算了它前半段流量第二次窗口只算了后半段兩次的特征分布必然不同模型的判斷就無法穩(wěn)定。處理策略是雙窗口會話在第一次被檢測后繼續(xù)累積統(tǒng)計信息但打上「已檢測」標記如果后續(xù)窗口里它的特征發(fā)生突變比如包長方差突然縮小再觸發(fā)一次告警。這個邏輯比簡單按窗口切分要復雜但更接近真實攻擊的漸變特征。5.3 告警輸出與可視化方式實時檢測的告警要有數(shù)據(jù)支撐不該只是打印一行文字。實踐中我會把告警信息落成結(jié)構(gòu)化日志import json import datetime alert { time: datetime.datetime.now().isoformat(), flow_id: fid, confidence: float(clf.decision_function(sample)[0]), src_ip: flow[src_ip], dst_ip: flow[dst_ip], } with open(alerts.jsonl, a) as f: f.write(json.dumps(alert) \n)邏輯說明decision_function輸出的距離可以作為置信度參考距離越大說明越偏離正常邊界。把告警按 JSON 行格式寫入文件后續(xù)可以直接導入 Elasticsearch 或做成表格展示畢設(shè)答辯時也方便給評審看真實輸出樣例。6. 檢測結(jié)果的驗證與進階混淆矩陣、閾值調(diào)節(jié)與特征擴展完成基礎(chǔ)訓練后先不要急著上實時檢測把評估環(huán)節(jié)做到位更重要。很多人在答辯時只會報一個準確率評審追問「那誤報率多少、漏報率多少」就答不上來。這里建議至少做兩件事。第一件事是輸出混淆矩陣的標準化視圖和召回率曲線。對于入侵檢測場景異常類的召回率真正例率才是核心指標準確率反而容易被不平衡樣本帶偏?？梢栽赟VM.py基礎(chǔ)上加一段import matplotlib.pyplot as plt from sklearn.metrics import ConfusionMatrixDisplay ConfusionMatrixDisplay.from_estimator( clf, X_test_scaled, y_test, display_labels[normal, attack], cmapBlues ) plt.savefig(confusion_matrix.png)第二件事是調(diào)低決策閾值以提高異常召回率。SVM 在默認情況下以決策距離 0 為分界線但你可以把分界線往正常方向偏移讓更多模糊樣本被判為異常distances clf.decision_function(X_test_scaled) # 默認閾值是 0改為 -0.5 后更多樣本會被判為異常 y_pred_custom (distances -0.5).astype(int)閾值調(diào)整這是一種權(quán)衡閾值越小召回率越高誤報也會變多。具體設(shè)多少取決于你對漏報的容忍度沒有標準答案應該跑一組不同閾值的對比數(shù)據(jù)畫出召回率與誤報率的曲線這組圖拿到答辯現(xiàn)場比任何口頭解釋都有說服力。進階方向上可以進一步在現(xiàn)有 SV?M 基礎(chǔ)上做特征擴展比如把時間窗內(nèi)流量的目的端口熵值加入特征向量對端口掃描類攻擊會更敏感或者把分類器替換為梯度提升樹做對比實驗常見的做法是把SVC換為GradientBoostingClassifier復用同一套特征和評估邏輯對比兩者在召回率和訓練時間上的差異這組對比數(shù)據(jù)能直接擴充成畢設(shè)的一個章節(jié)。這套代碼我用下來最大的感受是作為畢設(shè)源碼它的目錄劃分足夠干凈Sniffer、DataProcessor、SVM三層職責邊界分明改起來不費勁但距離真正的產(chǎn)品化檢測還有明顯距離需要把會話老化機制、特征口徑統(tǒng)一和告警結(jié)構(gòu)化補上。從那以后我做任何流量檢測項目都會強制走一遍「統(tǒng)一特征函數(shù) 不平衡處理 閾值驗證」這條流程至少能少踩一半的坑。希望幫到你。本文還有配套的精品資源點擊獲取