Proyecto de título - ML Training

Repositorio de código con los algoritmos de entrenamiento de modelos de aprendizaje automático y profundo, en el contexto de desarrollo de la investigación "Detección y mitigación de ataques DDoS en ambientes IoT/Cloud usando ML/DL".

Prerequisitos

• Python 3.10 - venv e instalar requirements.txt, presente en la base del proyecto.

• Crear archivo .env con las variables de entorno:

  DATA_SOURCE_PATH="/ruta/a/los/datasets"
  TRAINED_MODELS_PATH="/ruta/modelos/entrenados"
  
  

• Tener disponible ambiente para trabajar con notebooks Jupyter. PyCharm ya lo trae integrado, y existen extensiones para Visual Studio Code.

Estructura de directorios

.
├── ddosmllib/            # Librería interna de funciones
│   └── data/
│       └── README.md     # Documentación de los datasets disponibles
├── jupyter/              # Notebooks de experimentación
├── out/                  # Modelos entrenados almacenados
├── saved/                # Sets de datos a rescatar para entrenamiento
├── .env.example          # Archivo de ejemplo para las variables de entorno
├── .gitignore            # Archivo de configuración de git
├── requirements.txt      # Archivo de dependencias de Python
└── README.md             # Esta documentación

Important

La carpeta out/ es donde se almacenan los modelos entrenados, y saved/ es donde se almacenan los sets de datos a utilizar. Ambas carpetas deben existir, pero no se suben al repositorio para evitar problemas de espacio.

Sets de datos

Por tamaño, los datasets no se encuentran presentes en el repositorio. Es por ello, que se necesita contar con ellos para configurar la variable de entorno DATA_SOURCE_PATH en el archivo .env. Toda la documentación referente a los sets de datos se encuentra en el archivo README.md dentro de la carpeta ddosmllib/data/, al que puedes acceder aquí.