F065_基于机器学习的KDD CUP 99网络入侵检测系统实战

🚀 基于机器学习的KDD CUP 99网络入侵检测系统实战

关注B站：麦麦大数据

编号： F065

摘要：本文介绍了一个基于机器学习的网络入侵检测系统（IDS），采用Vue2 + Flask前后端分离架构，使用KDD CUP 99数据集，支持决策树、KNN、朴素贝叶斯、BP神经网络四种算法，提供单条检测、批量检测、模型训练等核心功能。系统采用香槟金暗色主题设计，具有良好的用户体验。

---

📚 目录

1. 项目概述
2. 技术架构
3. 核心功能
4. 界面展示
5. 核心代码实现
6. 快速开始
7. 总结

---

一、项目概述

1.1 背景介绍

网络入侵检测系统（Intrusion Detection System，IDS）是网络安全的重要组成部分。随着网络攻击手段日益复杂，传统的基于规则的攻击检测已经难以满足需求。机器学习技术的引入，使得IDS能够通过学习正常流量和攻击流量的特征模式，自动识别未知攻击。

KDD CUP 99数据集是网络入侵检测领域最经典的数据集之一，包含约500万条网络连接记录，每条记录有41个特征属性，标记为正常或具体攻击类型。

1.2 项目简介

本项目是一个基于机器学习的网络入侵检测系统，采用前后端分离架构：

• 前端：Vue 2 + Element UI + ECharts
• 后端：Flask + MySQL + Scikit-learn + PyTorch
• 算法：决策树、K近邻（KNN）、朴素贝叶斯、BP神经网络

---

二、技术架构

2.1 系统架构图

┌─────────────────────────────────────────────────────┐
│                   前端 (Vue2)                     │
│  ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│  │ 仪表盘  │ │ 入侵检测 │ │ 模型管理 │ │ 数据可视化│ │
│  └─────────┘ └─────────┘ └─────────┘ └─────────┘ │
└─────────────────────────────────────────────────────┘
                         │
                      Axios API
                         │
┌─────────────────────────────────────────────────────┐
│                   后端 (Flask)                       │
│  ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│  │ 用户模块 │ │ 检测模块 │ │ 模型模块 │ │ 数据模块 │ │
│  └─────────┘ └─────────┘ └─────────┘ └─────────┘ │
│                        │                          │
│                   MySQL 数据库                      │
└─────────────────────────────────────────────────────┘

2.2 核心技术栈

层级	技术选型	说明
前端框架	Vue 2.6	渐进式JavaScript框架
UI组件	Element UI 2.15	桌面端组件库
图表	ECharts 5.5	可视化图表库
状态管理	Vuex	状态管理模式
后端框架	Flask	Python轻量级Web框架
数据库	MySQL	关系型数据库
机器学习	Scikit-learn	Python机器学习库
深度学习	PyTorch	深度学习框架

---

三、核心功能

3.1 用户模块

• ✅ 用户注册/登录
• ✅ Session状态管理
• ✅ 头像上传
• ✅ 个人信息修改

3.2 检测模块

单条检测

支持41个网络连接特征输入，选择不同算法进行实时检测：

特征类别	主要特征
基本特征	duration, protocol_type, service, flag
字节特征	src_bytes, dst_bytes
流量特征	count, srv_count
错误率	serror_rate, rerror_rate

支持选择：

• 算法：决策树、KNN、朴素贝叶斯、BP神经网络
• 分类：二分类（Normal/Attack）、多分类（具体攻击类型）

批量检测

支持CSV文件批量上传，自动处理并保存检测结果到数据库。

3.3 模型模块

模型训练

• 批量训练所有算法模型
• 异步处理大数据集
• 训练进度实时反馈
  

模型评估

• 准确率（Accuracy）
• 精确率（Precision）
• 召回率（Recall）
• F1分数
• 混淆矩阵可视化
• ROC曲线、P-R曲线

3.4 数据模块

• KDD CUP 99数据集导入
• 异步导入（支持百万级数据）
• 导入进度实时显示
• 数据统计分析

3.5 可视化模块

• 攻击类型分布（环形饼图）
• 协议类型分布（南丁格尔玫瑰图）
• 服务类型分布（渐变柱状图）
  

---

四、界面展示

4.1 登录页面

采用香槟金暗色主题设计，包含流星雨背景动画和扫描线效果。

4.2 仪表盘

展示系统核心指标和图表：

• 总检测次数
• 今日检测
• 检测到攻击
• 已训练模型
  

4.3 检测日志

记录所有检测历史，支持分页查询。

4.4 用户管理

用户CRUD操作，支持搜索和分页。

---

五、核心代码实现

5.1 机器学习模型基类

class BaseModel:
    def __init__(self, name, category=2):
        self.name = name
        self.category = category
        self.model = None
        self.model_path = os.path.join(MODEL_DIR, f"{category}_{name}")

    def predict(self, X):
        if self.model is None:
            self.load()
        return self.model.predict(X)

    def predict_proba(self, X):
        if self.model is None:
            self.load()
        return self.model.predict_proba(X)

📝 获取完整源码 ：请联系麦麦大数据获取

5.2 BP神经网络模型

使用PyTorch实现的BP神经网络：

class BPModel(BaseModel):
    def __init__(self, category=2, input_dim=41, hidden_dims=[20]):
        super().__init__("bp", category)
        self.input_dim = input_dim
        self.hidden_dims = hidden_dims

    def _build_model(self):
        layers = []
        prev_dim = self.input_dim
        for hidden_dim in self.hidden_dims:
            layers.append(torch.nn.Linear(prev_dim, hidden_dim))
            layers.append(torch.nn.ReLU())
            prev_dim = hidden_dim
        layers.append(torch.nn.Linear(prev_dim, self.category))
        return torch.nn.Sequential(*layers)

    def train(self, X, y, epochs=100, lr=0.01):
        # 训练逻辑
        self.model = self._build_model()
        # ... 训练过程
        self.save()

📝 获取完整源码 ：请联系麦麦大数据获取

5.3 检测接口

@detect_bp.route("/predict", methods=["POST"])
def predict():
    data = request.json
    features = preprocess_features(data)
    
    model = get_model(algorithm, category)
    model.load()
    
    prediction = model.predict(features)[0]
    proba = model.predict_proba(features)[0]
    
    label = "Normal" if prediction == 0 else "Attack"
    
    # 保存检测日志
    log = DetectionLog(prediction=label, confidence=float(max(proba)), ...)
    db.session.add(log)
    db.session.commit()
    
    return make_response(code=0, data={
        "prediction": label,
        "confidence": float(max(proba))
    })

5.4 前端检测组件

<template>
  <el-form :model="form" label-width="150px">
    <el-form-item label="选择算法">
      <el-select v-model="form.algorithm">
        <el-option label="决策树" value="tree"></el-option>
        <el-option label="KNN" value="knn"></el-option>
        <el-option label="朴素贝叶斯" value="bayes"></el-option>
        <el-option label="BP神经网络" value="bp"></el-option>
      </el-select>
    </el-form-item>
  </el-form>
</template>

📝 获取完整源码 ：请联系麦麦大数据获取

---

六、快速开始

6.1 环境准备

# Python环境
Python >= 3.8

# Node环境
Node.js >= 14

# 数据库
MySQL >= 5.7

6.2 后端启动

cd kddcup-ids-flask

# 安装依赖
pip install -r requirements.txt

# 配置数据库
# 修改 config.py 中的数据库连接信息

# 启动服务
python run.py

6.3 前端启动

cd kddcup-ids-vue

# 安装依赖
npm install

# 启动开发服务器
npm run serve

6.4 使用流程

1. 注册/登录 - 创建账户
2. 导入数据 - 上传KDD CUP 99数据集
3. 训练模型 - 选择分类类型，训练检测模型
4. 入侵检测 - 单条或批量检测网络流量
5. 查看结果 - 检测日志和数据分析

---

七、总结

7.1 项目亮点

1. 前后端分离架构 - 良好的可维护性和扩展性
2. 多种机器学习算法 - 决策树、KNN、朴素贝叶斯、BP神经网络
3. 香槟金暗色主题 - 现代化UI设计，流星雨动画效果
4. 异步处理 - 大数据集导入和模型训练不阻塞主线程
5. ECharts可视化 - 直观的数据展示

7.2 后续优化方向

• 🔄 增加更多检测算法（如SVM、Random Forest）
• 🔄 支持实时网络流量捕获
• 🔄 添加告警通知功能
• 🔄 优化模型性能

---

🙏 致谢

感谢KDD CUP 99数据集的提供者，感谢开源社区的无私奉献。

---

关注B站：麦麦大数据

获取更多技术干货，请关注麦麦大数据！

---

本文首发于CSDN，未经允许禁止转载