首先感谢大家的点赞。这个仓库是我复现某篇论文的代码，作用是对Dos,Normal,Probe,R2L,U2R五种网络流量进行分类。原文中，网络流量就是数字和字符串组成的文本，我们需要将其转化为图片的格式进行分类。训练流量和测试流量的以及他们处理后的文本文件我都放在DataSet/NSL-KDD/目录下面了，大家不要问我图片数据集啦，没有图片数据集，我也是自己处理的。下面和大家详细讲解一下吧。

正如我前面说的，这里只有文本文件数据，没有图片数据。所以我们需要对KDDTest+文件和KDDTrain+文件都进行处理

对应PreHandle中的oneHotHandle方法和minMaxHandle方法

• 第一步：类型转化。数据集中，有三个字符特征，是protocol_type、service和flag，由于他们是字符特征，所以需要进行one-hot编码，从而把字符型转为数值型
• 第二步：对数据做归一化处理。把所有数据的特征缩放到0和1之间，使用的处理方法为min-max方法，此时将文本文件变成了五个不同流量类型的cvs文件，在目录DataSet/Change/中

对应PreHandle中的csvToImage方法

• 第一步：因为CNN的输入是图片形式，先把归一化之后的122个特征变换成矩阵的形式，大小是一个十二乘十二的方阵
• 第二步：进行像素化处理，将矩阵中的数据进行与255相乘的操作，形成一张图片
• 第三步：将他们输出到文件夹中。根据我们的方法，处理完毕的不同类型的图片存储在不同名称文件夹下面，处理完毕的文件夹大概是这个样子

文件夹里面的流量图片是这个样子的（图片很小，所以要点开查看）

处理完毕图片我们就开始创建模型，对应代码CNNMould，注释写的很清楚，大家自己查看即可

从训练文件夹的不同的文件夹中读取图片开始训练模型，在代码中，不同文件夹的名称就等于给图片lable标签，所以不需要特别标注。对应代码Train，注释写的很清楚，大家自己查看即可

从预测文件夹的不同的文件夹中读取图片进行预测。对应代码Predict，注释写的很清楚，大家自己查看即可

附一张最后的预测正确率图片