基于负选择粒子群优化的检测器评估数据集

内生安全威胁检测是网络安全领域的核心问题之一，其挑战在于准确识别异常行为并提升检测效率。数据源于内生环境中的典型场景。该数据用于评估基于负选择粒子群优化的检测器是否能够检测到内生中的威胁。本研究使用的评估数据集包括网络流量和日志信息，时间范围覆盖数月，具有分钟级时间精度，数据来源于内生环境中多个典型场景，空间范围涵盖局域网和企业内生节点，具有节点级的空间精度。数据集经过处理，包括去噪、异常标注、均衡处理和频率统计等操作，最后得到特征和标签列，确保实验条件的可重复性和结果的可靠性。实验结果显示，在检测器训练时间和检测率方面所提出的方法明显优于传统算法及改进算法。数据集支持异常行为识别，适用于内生安全威胁检测，具备高效性和实用性，为相关领域提供了重要参考。构建了一种用于内生威胁检测的评估数据集，主要记录了内生环境中网络流量和日志信息的动态特征。基于数据清洗、异常标注、均衡处理等多种技术手段，提取了高质量的特征和标签列。通过对节点级网络行为进行精确建模，该数据集支持内生中异常行为的识别和威胁检测，威胁检测率为99.3%，数据量为3.9MB。数据集共包括7个数据文件，其中：(1) data1.zip 是异常行为数据集，数据量943；(2) data2.zip 是网络流量数据，数据量245057；（3）data3.zip 是异常行为数据，数据量150；（4）data4.txt 是网络流量数据，数据量5000；(5)data5.txt 是网络流量数据，数据量5000；（6）data6.txt 是网络流量数据，数据量5000；（7）data7.zip 是异常行为数据，数据量170