liangkai0088 / deeppacket

cool project

deeppacket

cool project

1. 運行環境： OS: Ubuntu 14.04.5 LTS CPU: Intel(R) Xeon(R) CPU E5-2698 v4 @ 2.20GHz (80顆CPU) Mem: 503G GPU: Tesla P100-SXM2-16GB

   Python 3.6.3 |Anaconda, Inc.| (default, Oct 13 2017, 12:02:49) [GCC 7.2.0] on linux scapy==2.4.0 numpy==1.13.3 scikit-learn==0.19.1 Keras==2.1.3 tensorflow==1.3.0

2. Preprocessing: 請助教至 https://drive.google.com/file/d/1vu79_SJoKbqMvdoK3Y7wXti1wUp5qzgw/view

   下載完整的 pcap 資料夾(內含150個 .pcap 或 .pcapng 檔)，打開 prepro.py，在 line 101 找到 todo_list = gen_todo_list(‘../pcaps’) ，將’../pcaps’ 改成助教下載的 pcap 資料夾路徑之後，執行

   python prepro.py

   運行結束後，應該會產生300個 .pickle 檔，將 .pcap 檔案前處理成 numpy array。後綴 ‘_class’ 是表示 characterization 的 labels。

   由於 pcap 太大，有些環境沒辦法成功 preprocessing，如果助教有問題的話可以再聯絡我們，我們再上傳我們 preprocess 好的 .pickle 檔案讓助教執行。

3. Training/Testing:

   python main.py [-n ] [-t ] [-tt ] [-m ] [-bs ]

   參數(詳見 utils.py: get_args() )：

Training 分別運行以下四條就可以 train 出四個 model，每個 training 結果和過程都會保存在 models/ 底下

python main.py -n cnn -t cnn -tt app -m train python main.py -n sae -t sae -tt app -m train python main.py -n cnn_c -t cnn -tt class -m train python main.py -n sae_c -t cnn -tt class -m train

Testing 分別運行以下四條就可以 test

python main.py -n cnn -t cnn -tt app -m test
python main.py -n sae -t sae -tt app -m test
python main.py -n cnn_c -t cnn -tt class -m test
python main.py -n sae_c -t cnn -tt class -m test

我們有將 model 保留下來，如果助教想直接 load 我們的 model，可以再聯絡我們，我們再將 model 上傳給助教下載。