국민대학교 2021 정보보호와시스템보안 머신러닝 프로젝트 1

팀원

백승렬(20202086), 이윤서(20181676), 최호경(20171717), 한진교(20152868)

필요 모듈

Scikit-Learn (0.22 or higher is required)

코드 별 설명

csic_parser.py

CSIC 2010 원본 데이터에서 유의미한 문자열만 파싱하는 코드가 있습니다. parse() 함수를 실행하여 문자열을 파싱합니다. 그 외에도 파싱된 데이터 셋을 리스트로 불러오는 load_parsed(), scikit-learn에 내장된 데이터 셋 형태로 구조를 맞춰주는 make_data_set(), 그리고 두 데이터 셋을 결합하는 combine_data_set()이 있습니다.

DecisionTree.py

결정 트리 모델로 파싱한 데이터 셋을 훈련한 결과를 출력합니다.

LR.py

로지스틱 회귀 모델로 파싱한 데이터 셋을 훈련한 결과를 출력합니다.

RF.py

Random Forest 모델로 파싱한 데이터 셋을 훈련한 결과를 출력합니다.

SVM.py

Support Vector Machine 모델로 파싱한 데이터 셋을 훈련한 결과를 출력합니다.

ada.py

AdaBoost로 파싱한 데이터 셋을 훈련한 결과를 출력합니다.

mlp.py

다층 신경망으로 파싱한 데이터 셋을 훈련한 결과를 출력합니다. 본 프로젝트에서는 2개의 은닉층을 이용했습니다.

Summary.ipynb

위 코드들을 요약한 주피터 노트북 파일입니다. 코랩 환경에서 데이터 셋을 구글 드라이브와 연동하여 실행이 가능합니다.

코드 실행

해당 repo를 clone한 상태에서 Summary.ipynb 제외 모델 코드를 실행하면 즉시 작동하며 결과를 콘솔로 확인할 수 있습니다.
Summary.ipynb 실행을 원하시면 코랩 환경에서 드라이브 연동 후 "/content/drive/My Drive/Colab Notebooks/infosec/proj1/" 해당 경로에 csic 폴더로 데이터 셋을 넣어 실행하면 됩니다.