摘要：面向网络入侵检测、恶意流量识别与网络安全分析构建的大规模 NetFlow 数据集。
数据集概述
面向网络入侵检测、恶意流量识别与网络安全分析构建的大规模 NetFlow 数据集。该数据集通过统一共享特征集，将多个不同网络环境和攻击场景中的网络流量数据整合到同一数据框架中，从而形成规模更大、网络架构更加多样、攻击类型更加丰富的综合网络入侵检测数据集。NF-UQ-NIDS-v2 共包含约 11,994,893 条网络流记录，每条数据由 43 个扩展 NetFlow 特征描述，可用于研究具有更强跨网络环境泛化能力的网络入侵检测系统。
数据结构与关键特征
该数据集采用基于 NetFlow 的结构化网络流量表示方式，每条记录对应一次网络通信流，并包含 43 个扩展 NetFlow 特征，用于描述通信双方、协议类型、数据包与字节统计、流持续时间以及网络行为等信息。NF-UQ-NIDS-v2 的重要特点之一是增加了原始数据集来源标签，能够标识每条网络流来自哪个基础数据集，使研究人员可以分析同一种攻击在不同测试网络和网络架构下的表现差异。
为建立统一的攻击标签体系，数据集还对多个细分攻击类型进行了重新归类。例如 DoS attacks-Hulk、DoS attacks-SlowHTTPTest、DoS attacks-GoldenEye 和 DoS attacks-Slowloris 被统一归入 DoS 类别；DDOS attack-LOIC-UDP、DDOS attack-HOIC 和 DDoS attacks-LOIC-HTTP 被归入 DDoS 类别；FTP-BruteForce、SSH-Bruteforce、Brute Force-Web 和 Brute Force-XSS 被统一合并为**暴力破解（Brute Force）类别；SQL 注入等相关攻击则归入注入攻击（Injection）**类别。这种标签统一方式降低了不同来源数据集之间类别命名不一致造成的影响，更适合开展统一的多分类网络攻击识别研究。
应用价值与研究方向
该数据集适用于网络入侵检测、异常流量检测、网络攻击分类、跨域网络安全分析以及网络威胁识别等研究方向。可以采用 Random Forest、SVM、XGBoost、LightGBM、CatBoost 等传统机器学习算法进行结构化流量分类，也可以使用 MLP、1D-CNN、Autoencoder、LSTM 和 Transformer 等深度学习模型学习复杂的网络流量模式。由于数据规模接近 1200 万条记录，并融合了不同网络架构和攻击场景，因此尤其适合研究大规模 NIDS、跨数据集泛化、类别不平衡处理、未知攻击检测、异常检测以及迁移学习等问题，可为构建更加通用和鲁棒的智能网络入侵检测系统提供数据基础。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-807
文件大小：2G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)