基于神经网络的时态数据多类分类

Question

我有以下数据集，我正在考虑使用RNN/LSTM对协议进行分类。数据包含只有两个提供字段的数据包捕获特性:设备的MAC地址的of和特定协议的数据包的到达时间(IAT)。

例如，来自特定设备类型的视图的http和ntp标记数据如下所示：

# MAC, ConnectivityIAT  -> protocol     
ff:f1:f2, 10, -> http
ff:f1:f2, 20, -> http
ff:f1:f2, 30, -> http
ff:f1:f2, 0, -> http

ff:f1:f2, 3, -> ntp
ff:f1:f2, 6, -> ntp
ff:f1:f2, 9, -> ntp

任务是在以下情况下预测正确的类：

ff:ff1:f2, 10 -> ?

都被看到了。

问题：

• 如何将OUI的范畴值转换为数字实体？
• 如何使用神经网络来解决这个问题？

Answer 1

如何使用NN ?

来接近解决方案

考虑到您的数据，RNN/LSTM看起来并不是最明智的选择。

看起来您有两个特性和一个二进制输出。对于可变长度的输入，RNN/LSTM是有用的，否则，它们就有点过火了。

此外，在使用深度学习方法之前，请确保您有合理的数据。他们通常有很多参数要训练，如果你没有足够的数据点，这可能很难做到。

如果你想坚持神经网络，我会说一个普通的多层感知器可能完成这项工作。如果您对其他选项开放，我将尝试这个特定问题的决策树。

如何将OUI的范畴值转换为数字实体

你可以用一个热编码。有很多实现(即科学知识-学习)，或者您可以自己做。

Answer 2

可以使用LabelEncoder转换OUI的分类值。看起来您有两个特性(OUI和IAT)和固定数量的类/输出。您可以使用MLP分类器来解决这个问题。在喀拉斯：

model = Sequential()

model.add(Dense(32, input_shape=(num_features,)))
model.add(Activation('relu'))
model.add(Dense(num_classes))
model.add(Activation('softmax'))

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

这只是一个例子，它更好地创建一个更深的架构，并增加正则化(例如l1/l2重量惩罚或退出)，以防止过度拟合。