travail sur la récupération de la décision du réseau de neurones

rcavalie
1 parent bdfec245
Showing 4 changed files with 114 additions and 41 deletions Show diff stats
python/ANN.py
python/datasets/training.h5 -> python/Training/training.h5
python/Training/training.json
python/main.py
@@ -18,6 +18,7 @@ from sklearn.metrics import confusion_matrix
 # Réseau de neurones 
 from keras.models import Sequential
 from keras.layers import Dense
+from keras.models import model_from_json
 ###############################################################################
 ###############################################################################
@@ -88,9 +89,9 @@ classifier.compile(optimizer = &#39;rmsprop&#39;, loss = &#39;binary_crossentropy&#39;, metrics 
 classifier.fit(data_train, target_train, batch_size =5, epochs=500);
 ###############################################################################
-##########################################################################################
+###############################################################################
 #TAUX DE REUSSITE A PARTIR DES DONNEES DE TEST
-##########################################################################################
+###############################################################################
 data_pred = classifier.predict(data_test);
 # Conversion en True ou False les predictions
 # Si y_pred > 0.5 : True 
@@ -102,15 +103,60 @@ 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);
-##########################################################################################
+###############################################################################
-##########################################################################################
+###############################################################################
 #SAUVEGARDE DU TRAINING SET
-##########################################################################################
+###############################################################################
 #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
-classifier.save_weights("C:/Users/Utilisateur/PFE/python/datasets/training.h5");
-##########################################################################################
 \ No newline at end of file
+classifier.save_weights("C:/Users/Utilisateur/PFE/python/Training/training.h5");
+###############################################################################
+
+###############################################################################
+#FONCTION DE PREDICTION APPELEE DANS LE MAIN 
+###############################################################################
+def predictions(ping_mesured,rssi_mesured):
+    ###############################################################################
+    #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
+    classifier.add(Dense(input_dim = 2, output_dim = 3, init = 'uniform', activation = 'sigmoid'));
+    #Couche cachée
+    classifier.add(Dense(output_dim = 3, init = 'uniform', activation = 'sigmoid'));
+    #Sortie du réseau de neurones 
+    classifier.add(Dense(output_dim = 1, init = 'uniform', activation = 'sigmoid'));
+    ###############################################################################
+    
+    ###############################################################################
+    #LOAD DU TRAINING SET
+    ###############################################################################
+    json_file=open('C:/Users/Utilisateur/PFE/python/Training/training.json','r');
+    loaded_model_json=json_file.read();
+    json_file.close();
+    loaded_model=model_from_json(loaded_model_json);
+    loaded_model.load_weights('C:/Users/Utilisateur/PFE/python/Training/training.h5');
+    ###############################################################################
+    
+    ###############################################################################
+    #REALISER DES PREDICTIONS
+    ###############################################################################
+    dataset_to_pred = [ping_mesured, rssi_mesured];
+    predictions = classifier.predict(dataset_to_pred);
+    
+    predictions_named = [];
+    if predictions > 0.5:
+        predictions_named.append(0);#NORMAL
+        #RAS
+        return 0;
+    else:
+        predictions_named.append(1);#ATTAQUE
+        #DETECTION d'ATTAQUE
+        return 1;
+    ###############################################################################
 \ No newline at end of file
-{"class_name": "Sequential", "config": [{"class_name": "Dense", "config": {"name": "dense_2", "trainable": true, "batch_input_shape": [null, 2], "dtype": "float32", "units": 3, "activation": "sigmoid", "use_bias": true, "kernel_initializer": {"class_name": "RandomUniform", "config": {"minval": -0.05, "maxval": 0.05, "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}, {"class_name": "Dense", "config": {"name": "dense_3", "trainable": true, "units": 3, "activation": "sigmoid", "use_bias": true, "kernel_initializer": {"class_name": "RandomUniform", "config": {"minval": -0.05, "maxval": 0.05, "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}, {"class_name": "Dense", "config": {"name": "dense_4", "trainable": true, "units": 1, "activation": "sigmoid", "use_bias": true, "kernel_initializer": {"class_name": "RandomUniform", "config": {"minval": -0.05, "maxval": 0.05, "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}], "keras_version": "2.1.2", "backend": "tensorflow"}
 \ No newline at end of file
+{"class_name": "Sequential", "config": [{"class_name": "Dense", "config": {"name": "dense_1", "trainable": true, "batch_input_shape": [null, 2], "dtype": "float32", "units": 3, "activation": "sigmoid", "use_bias": true, "kernel_initializer": {"class_name": "RandomUniform", "config": {"minval": -0.05, "maxval": 0.05, "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}, {"class_name": "Dense", "config": {"name": "dense_2", "trainable": true, "units": 3, "activation": "sigmoid", "use_bias": true, "kernel_initializer": {"class_name": "RandomUniform", "config": {"minval": -0.05, "maxval": 0.05, "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}, {"class_name": "Dense", "config": {"name": "dense_3", "trainable": true, "units": 1, "activation": "sigmoid", "use_bias": true, "kernel_initializer": {"class_name": "RandomUniform", "config": {"minval": -0.05, "maxval": 0.05, "seed": null}}, "bias_initializer": {"class_name": "Zeros", "config": {}}, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null}}], "keras_version": "2.1.2", "backend": "tensorflow"}
 \ No newline at end of file
@@ -10,45 +10,72 @@ Main - prédictions, affichage, vérification du trafic
 ###############################################################################
 import tkinter as tkr;
 import time;
-from keras.models import model_from_json
-from keras.models import Sequential
-import numpy as np
+import ANN;
+import serial;
+import recoder;
 ###############################################################################
-##########################################################################################
-#LOAD DU TRAINING SET
-##########################################################################################
-json_file=open('C:/Users/Utilisateur/PFE/python/Training/training.json','r');
-loaded_model_json=json_file.read();
-json_file.close();
-loaded_model=model_from_json(loaded_model_json);
-loaded_model.load_weights('C:/Users/Utilisateur/PFE/python/Training/training.h5');
-##########################################################################################
-
-##########################################################################################
-#REALISER DES PREDICTIONS
-##########################################################################################
-#PING en ms
-ping_mesured = 1000;
-#Delta _RSSI entre deux trames en dB (dBm - dBm -> dB)
-rssi_mesured = 8;
-classifier = Sequential();
-dataset_to_pred = [ping_mesured, rssi_mesured];
-predictions = classifier.predict(dataset_to_pred);
-
-predictions_named = [];
+###############################################################################
+#VARIABLES GLOBALES
+###############################################################################
+ping_mesured=0; 
+rssi_mesured=0;
+cpt_trame=0;
+result=0;
+###############################################################################
-for x in range(0, 1):
-    if predictions[x] > 0.5:
-        predictions_named.append("Normal")
-    else:
-        predictions_named.append("Attaque")
-##########################################################################################
+##############################################################################
+#DEFINITION DE LA LECTURE DE PORT 
+##############################################################################
+ser = serial.Serial(      
+ #Pour Linux
+ #port='/dev/ttyACM0',
+ #Pour Windows
+ port='COM4',
+ #Vitesse de communication
+ baudrate = 9600,
+ #Parité 
+ parity=serial.PARITY_NONE,
+ #Bit de stop
+ stopbits=serial.STOPBITS_ONE,
+ #Taille du message 
+ bytesize=serial.EIGHTBITS,
+ #Out
+ timeout=1
+)
+counter=0;
+##############################################################################
 ###############################################################################
 #FONCTIONS UTILES
 ###############################################################################
+def Data_recover():
+    x = ser.readline();
+    debut = time.time();
+    temp = debut;
+    #Vérifier si la trame provient d'un emetteur connu
+    #Travail ici avec un seul et unique emetteur
+    if(cpt_trame == 0): #PREMIERE TRAME ET TRAME OK 
+        #Récupération du ping
+        debut = time.time();
+        temp = debut;
+        cpt_trame = cpt_trame +1;     
+    elif(cpt_trame > 0 and ): #PAS LA PREMIERE ET TRAME OK
+        #Récupération du ping
+        fin = time.time(); 
+        ping = (fin-temp)*1000;
+        #Récupération de la trame
+        trame = x;
+        #Récupération de la puissance
+        x = ser.readline();
+        #Sortie de boucle
+        cpt_trame = cpt_trame + 1;
+    else: #TRAME INCONNUE PREMIERE OU AUTRE
+        #TRAME INCONNUE = ATTAQUE
+        result = 1;
+
 def Draw():   
+    result = ANN.predictions(ping_mesured, rssi_mesured);
     #FRAME INFORMATIONS
     infos=tkr.Frame(root,width=1000,height=5000,relief='groove',background='white',bd=3);
     infos.place(x=10,y=10);  
@@ -59,12 +86,12 @@ def Draw():
     text.config(bg='white', fg='black');
     text.pack();
     global ping;
-    ping=tkr.Label(infos,text='\n\nPING(ms) : ');
+    ping=tkr.Label(infos,text='\n\nPING(ms) : '+ ping_mesured);
     ping.config(font=('arial', 20, 'bold'));
     ping.config(bg='white', fg='black');
     ping.pack();
     global rssi;
-    rssi=tkr.Label(infos,text='\n\nRSSI(dBm) :');
+    rssi=tkr.Label(infos,text='\n\nRSSI(dBm) : '+ rssi_mesured);
     rssi.config(font=('arial', 20, 'bold'));
     rssi.config(bg='white', fg='black');
     rssi.pack();