1-bob. "Xizmat ko'rsatishni rad etish" turidagi tarmoq taqsimlangan hujumlari ta'siridagi kompyuter tarmog’i qabul qilish tugunining konseptual modeli

Yo'q.	Paket metamaʼlumotlari		Yo'q.
Paket metamaʼlumotlari
bitta	out_ads	IP chiqish	o'n bir	pkt_in	nazorat summasi kiruvchi
2	reklamalar ichida	kiruvchi IP	12	pkt_out	chiquvchi nazorat summasi
3	out_mac	chiquvchi Mac	o'n uch	pkt_delay_tugun	nazorat summasi farqi
4	in_mac	kiruvchi MAC	14	bayt_rate	soniyada bayt soni
5	pkt_type	paket turi	15	pkt_rate	soniyada paketlar soni
6	pkt_size	paket hajmi	o'n olti	avg_size	o'rtacha hajmi paketlar
7	FID	ramka formati identifikatori	17	pkt_t_send	paketni jo'natish vaqti
sakkiz	sqn_raqami	tartibli paket raqami	o'n sakkiz	pkt_t_rsd	qabul qilish vaqti paket
9	num_pkt	raqam paketlar	o'n to'qqiz	birinchi	birinchi paketning jo'nash vaqti
10	bayt_raqam	baytlar soni	yigirma	oxirgi	jo'nash vaqti oxirgi paket

2. Ma'lumotlarni tahlil qilish uchun dasturiy vositalar

Ma'lumotlarni tayyorlash va tahlil qilish uchun quyidagi python kutubxonalari ishlatilgan: scikit-learn [169], pandas, numpy [170], lightgbm [173] va matplotlib [171] (jadval).

5).
3.3-jadval. Ma'lumotlarni tahlil qilish dasturidan foydalaniladi

Modul	Ishda ariza
pandalar	Birlamchi ma'lumotlarni qayta ishlash, etiketli ma'lumotlar bilan ishlash, ma'lumotlar ramkalarini shakllantirish.

o'rganing	xususiyatlarni tanlash, amalga oshirish tasniflash algoritmlari
yorug'likGBM	Model qurish gradient qaror daraxtlarini kuchaytirish
nopok	n-massivlar va matritsalar ustida asosiy amallarni bajarish.
matplotlib	Vizualizatsiya ma'lumotlar, grafik va diagrammalarni shakllantirish

Ma’lumki, 2017-yilda Microsoft jamoasi gradientni kuchaytirishdan foydalangan holda mashinali o’qitish algoritmi uchun dasturiy ta’minot kutubxonasini taqdim etdi – LightGBM. Ushbu ishlanma bir xil aniqlikdagi raqobatchilarga nisbatan tezlikda ustunlikni ko'rsatdi [172]. Natijada, LightGBM kutubxonasi tarmoq trafigini tasniflash vazifasida foydalanish uchun optimal vositadir [181].

Pandalar kutubxonasi massiv yozuvlarining bir xil turdagi bo'lishini talab qilmaydi, shuning uchun har bir ustun boshqa turdagi bo'lishi mumkin (butun sonlar, floatlar, satrlar va boshqalar). Pandas kutubxonasining yana bir afzalligi - CSV dan SQLgacha bo'lgan turli xil ma'lumotlar bazasi va fayl formatlari bilan ishlash qobiliyatidir [126].
Ma'lumotlarni vizualizatsiya qilish va tahlil qilish uchun qo'shimcha foydali ma'lumotlarni olish uchun Matplotlib kutubxonasidan foydalanildi, u Python-da grafiklar va diagrammalar yaratish uchun asosiy kutubxona bo'lib, vizualizatsiya (chiziqli diagrammalar, gistogrammalar va boshqalar) yaratish funksiyalarini o'z ichiga oladi.

3. O'rganish bosqichi

Ushbu bosqichda o'quv va test namunalari shakllantiriladi. Namunalarga bo'linish funksiya yordamida amalga oshirildi

train_test_split[174]. Bo'lishdan oldin ma'lumotlar to'plami psevdo-tasodifiy raqamlar generatori yordamida aralashtirildi [175]. Bu faqat bitta sinfga tegishli misollarni tanlamaslik uchun amalga oshiriladi (masalan, agar test to'plami sifatida oxirgi 30% misollarni oladigan bo'lsak, ularning barchasi bir xil yorliqga ega bo'ladi, chunki ular tartiblangan). Faqat bitta sinfni o'z ichiga olgan test to'plamidan foydalanish tasniflash modelining umumlashtirish qobiliyatini obyektiv baholash imkoniyatini bermaydi. train_test_split ning chiqishi quyidagi NumPy massivlaridir: X_train (70% qatorlar), X_test (30% qatorlar), y_train, y_test [156].
Shuni ta'kidlash kerakki, parametr qiymatlarini sanash amalga oshirildi va test ma'lumotlar to'plamida maksimal aniqlikni ta'minlaydigan kombinatsiyalarni tanlash amalga oshirildi. Bu, o'z navbatida, aniqlik yangi ma'lumotlar bo'yicha o'xshash bo'ladi degani emas. Agar test to'plami parametrlarni sozlash uchun ishlatilgan bo'lsa, unda modelning sifatini baholash uchun uni ishlatish mumkin emas [176]. Xuddi shu sababga ko'ra, ma'lumotlar o'quv va test to'plamlariga bo'linadi (3.1-rasm) [156].

3.1-rasm. Ma'lumotlar to'plamini o'quv va test to'plamlariga bo'lish [156]

Modelning sifatini baholashning yaxshi amaliyoti avval model parametrlarini sozlash uchun ishlatilmagan mustaqil ma'lumotlar to'plamini olishdir [177]. Ushbu muammoni hal qilish uchun ma'lumotlar
yana namunalarga bo'linadi va shuning uchun uchta namuna hosil bo'ladi:

1. 
   o'qitish - tasniflash modelini qurish;
   
2. 
   validatsiya - modelning optimal parametrlarini aniqlash;
   
3. 
   test - tanlangan parametrlarning sifatini baholash uchun.
   

Validatsiya to'plamidan foydalangan holda modelning eng yaxshi parametrlarini aniqlagandan so'ng, model qayta quriladi, lekin birlashtirilgan o'quv va tekshirish to'plamlari asosida. Shunday qilib, tasniflash modelini yaratish uchun maksimal mumkin bo'lgan ma'lumotlardan foydalaniladi [156].

4.