Исходный код для статьи Применение методов Deep RL для отбора признаков при обнаружении компьютерных атак в IDS серевого типа

Полный текст статьи https://rdcu.be/c0Bbb

Используемая среда https://github.com/james116blue/cwcf-env-openai-gym

Является форком RL pytorch-based фреймворка RL Baselines3 Zoo (https://github.com/DLR-RM/stable-baselines3).

Стратегия с используемыми ограничениями ConstrainedActorCriticPolicy

опеределена в

utils/policies.py

Предобработка наборов данных

creating_dataset.ipynb

Обучение агента

Команда для запуска

python train.py --algo ppo
--env cwcf-v0
--n-timesteps 1024000
--optimization-log-path logs/experiment_lambda_1e-2_with_val_set_correct
--eval-episodes 990
--n-eval-envs 1
-optimize --n-trials 500
--sampler tpe
--pruner median
--n-startup-trials 10
--n-evaluations 5
--env-kwargs lambda_coefficient:0.01 mode:'TRAIN' terminal_reward:[[0,-0.3],[-0.7,0]]
--eval-env-kwargs lambda_coefficient:0.01 random_mode:False mode:'VAL' terminal_reward:[[0,-0.3],[-0.7,0]] --tensorboard-log /tmp/stable-baselines/

тестирования агента

Найденные гиперпараметры определены в hyperparameters/algo_name.yml.

sh run.sh

Для отображения результатов:

approb_model_real_data.ipynb

plot_results.ipynb

Другие методы

RandomForestModel_Web_attacks.ipynb

neural_net.ipynb