4d6b688b
rcavalie
Réseau de neurone...
|
1
2
3
4
5
6
7
|
"""
Created on Thu Jan 18 14:28:42 2018
@author: Robin Cavalieri
Réseau de neurones
P32 : Apprentissage DoS
PFE 2018 - IMA5SC Polytech Lille
"""
|
bdfec245
rcavalie
intégration du ré...
|
8
|
#Programme générique. N'oubliez pas de changer les PATHS
|
4d6b688b
rcavalie
Réseau de neurone...
|
9
10
11
12
13
|
###############################################################################
#LIBRAIRIES UTILES
###############################################################################
import numpy as np
import pandas as pd
|
9a50b3df
rcavalie
premiere version ok
|
14
|
import csv
|
4d6b688b
rcavalie
Réseau de neurone...
|
15
16
17
18
19
20
|
# Modelisation
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import confusion_matrix
# Réseau de neurones
from keras.models import Sequential
|
4d6b688b
rcavalie
Réseau de neurone...
|
21
|
from keras.layers import Dense
|
4d6b688b
rcavalie
Réseau de neurone...
|
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
|
###############################################################################
###############################################################################
#TRAVAIL PRELIMINAIRE DE TRAITEMENT DES DONNEES D'APPRENTISSAGE
###############################################################################
# Ouverture des bases d'apprentissage
dataset_ping_norm = pd.read_csv('C:/Users/Utilisateur/PFE/python/datasets/ping_norm.csv');
dataset_ping_attack = pd.read_csv('C:/Users/Utilisateur/PFE/python/datasets/ping_attack.csv');
dataset_rssi_norm = pd.read_csv('C:/Users/Utilisateur/PFE/python/datasets/rssi_norm.csv');
dataset_rssi_attack = pd.read_csv('C:/Users/Utilisateur/PFE/python/datasets/rssi_attack.csv');
#Concaténation des datasets de même classe 1-Normal 2- Attaque
temp = dataset_rssi_norm.iloc[:,1].values;
dataset_norm = np.c_[dataset_ping_norm, temp];
temp = dataset_rssi_attack.iloc[:,1].values;
dataset_attack = np.c_[dataset_ping_attack, temp];
#Concaténation des datasets de même type
dataset = np.concatenate((dataset_attack, dataset_norm), axis=0);
#Récupération de la taille des matrices de données
[nSizeX, nSizeY] = np.shape(dataset);
#On mélange les données pour éviter un apprentissage par fontière
np.random.shuffle(dataset);
#Sortie associée (correspond à la classe attaque ou non : colonne 1)
target = dataset[:, 0];
#Données d'entrée (ping : colonne 2 et rssi : colonne 3)
#data = dataset[:,1];
data = dataset[:,0:nSizeY-1];
#80% des données utilisées à l'entrainement et 20% des données en test
data_train, data_test, target_train, target_test = train_test_split(data, target, test_size = 0.2, random_state = 0);
#Normalisation des données
sc = StandardScaler();
data_train = sc.fit_transform(data_train);
data_test = sc.transform(data_test);
###############################################################################
###############################################################################
#ARCHITECTURE DU RESEAU DE NEURONES par le biais de la librairie KERAS
#ANN
###############################################################################
#Création du classifieur
classifier = Sequential();
#Couche d'entrée donc avec 2 entrées, PING et DELTA_RSSI
|
9a50b3df
rcavalie
premiere version ok
|
71
72
73
|
classifier.add(Dense(32, activation='relu', input_dim=2))
#Couche de sortie
classifier.add(Dense(1, activation='sigmoid'))
|
4d6b688b
rcavalie
Réseau de neurone...
|
74
75
76
77
78
79
80
81
82
83
84
85
86
|
###############################################################################
###############################################################################
#COMPILATION
###############################################################################
# optimizer : algorithme choisi pour trouver le model (le plus puissant)
# loss : Si deux valeurs en sortie (binairie outcome) : binary_crossentropy
classifier.compile(optimizer = 'rmsprop', loss = 'binary_crossentropy', metrics = ['accuracy']);
###############################################################################
###############################################################################
#TRAINING
###############################################################################
|
9a50b3df
rcavalie
premiere version ok
|
87
|
classifier.fit(data_train, target_train, batch_size =1, epochs=10);
|
4d6b688b
rcavalie
Réseau de neurone...
|
88
89
|
###############################################################################
|
f0cdc988
rcavalie
travail sur la ré...
|
90
|
###############################################################################
|
4d6b688b
rcavalie
Réseau de neurone...
|
91
|
#TAUX DE REUSSITE A PARTIR DES DONNEES DE TEST
|
f0cdc988
rcavalie
travail sur la ré...
|
92
|
###############################################################################
|
4d6b688b
rcavalie
Réseau de neurone...
|
93
94
95
96
97
98
99
100
101
102
103
|
data_pred = classifier.predict(data_test);
# Conversion en True ou False les predictions
# Si y_pred > 0.5 : True
data_pred_binary = (data_pred > 0.5);
# Matrice de cout
cm = confusion_matrix(target_test, data_pred_binary);
#dire qu'un trafic normal est une attaque
good_prediction = cm[0, 0] + cm[1, 1];
#dire qu'une attaque est un trafic normal
bad_prediction = cm[1, 0] + cm[0, 1];
taux_succes = good_prediction * 100 / (good_prediction + bad_prediction);
|
f0cdc988
rcavalie
travail sur la ré...
|
104
|
###############################################################################
|
bdfec245
rcavalie
intégration du ré...
|
105
|
|
f0cdc988
rcavalie
travail sur la ré...
|
106
|
###############################################################################
|
bdfec245
rcavalie
intégration du ré...
|
107
|
#SAUVEGARDE DU TRAINING SET
|
f0cdc988
rcavalie
travail sur la ré...
|
108
|
###############################################################################
|
bdfec245
rcavalie
intégration du ré...
|
109
110
111
112
113
|
#Le modèle est mis au format JSON
classifier_json = classifier.to_json();
with open('C:/Users/Utilisateur/PFE/python/Training/training.json',"w") as json_file :
json_file.write(classifier_json);
#Les poids sont mis en HDF5
|
f0cdc988
rcavalie
travail sur la ré...
|
114
115
116
|
classifier.save_weights("C:/Users/Utilisateur/PFE/python/Training/training.h5");
###############################################################################
|
9a50b3df
rcavalie
premiere version ok
|
117
118
119
120
121
122
123
124
125
126
127
128
129
|
##########################################################################################
#REALISER DES PREDICTIONS
##########################################################################################
dataset_to_pred = pd.read_csv('C:/Users/Utilisateur/PFE/python/datasets/data_to_pred.csv', quoting=csv.QUOTE_NONE);
[xSizePred, ySizePred] = np.shape(dataset_to_pred);
data_to_pred = dataset_to_pred.iloc[:, 0: ySizePred].values;
predictions = classifier.predict(data_to_pred);
predictions_named = [];
for x in range(0, xSizePred-1):
if predictions[x] > 0.5:
predictions_named.append("Attaque")
|
f0cdc988
rcavalie
travail sur la ré...
|
130
|
else:
|
9a50b3df
rcavalie
premiere version ok
|
131
132
|
predictions_named.append("RAS")
##########################################################################################
|