[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-echowei--DeepTraffic":3,"tool-echowei--DeepTraffic":61},[4,18,28,36,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",161147,"2026-04-19T23:31:47",[14,13,44],"语言模型",{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[27,13,15,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":76,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":77,"languages":78,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":101,"github_topics":102,"view_count":24,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":150},9947,"echowei\u002FDeepTraffic","DeepTraffic","Deep Learning models for network traffic classification","DeepTraffic 是一个专注于网络流量分类的开源深度学习项目，旨在利用先进的神经网络模型自动识别和分析网络数据流。面对当前网络环境中加密流量激增以及恶意软件隐蔽性增强的挑战，传统基于规则或手工特征的检测方法往往显得力不从心。DeepTraffic 通过端到端的学习方式，直接从原始流量数据中提取特征，有效解决了加密流量难以解密分析以及新型攻击难以被规则库覆盖的难题。\n\n该项目核心技术亮点在于创新性地应用了一维卷积神经网络（1D-CNN）处理序列数据，并提出了分层时空特征学习架构（如 HAST-IDS），能够精准捕捉流量在时间和空间维度上的深层模式，从而显著提升了对恶意流量和异常行为的检测准确率。DeepTraffic 非常适合网络安全研究人员、AI 算法开发者以及需要构建智能入侵检测系统的安全工程师使用。对于希望深入探索深度学习在网络空间安全领域应用的研究者而言，它提供了宝贵的代码实现和理论参考，同时也为实际部署高效、自适应的流量监控方案奠定了坚实基础。","# Deep Learning models for network traffic classification\n\nFor more information please read our papers.\u003Cbr>\n\n> #### [***:mortar_board:Wei Wang's Google Scholar Homepage***](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=1nVO7oIAAAAJ)\n\n> ###### [Wei Wang, Xuewen Zeng, Xiaozhou Ye, Yiqiang Sheng and Ming Zhu,\"Malware Traffic Classification Using Convolutional Neural Networks for Representation Learning,\" in the 31st International Conference on Information Networking (ICOIN 2017), pp. 712-717, 2017.](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F7899588)\n\n> ###### [Wei Wang, Jinlin Wang, Xuewen Zeng, Zhongzhen Yang and Ming Zhu, \"End-to-end Encrypted Traffic Classification with One-dimensional Convolution Neural Networks,\" in the 15th IEEE International Conference on Intelligence and Security Informatics (IEEE ISI 2017), pp. 43-48, 2017.](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8004872\u002F) \n\n> ###### [Wei Wang, Yiqiang Sheng, Jinlin Wang, Xuewen Zeng, Xiaozhou Ye, Yongzhong Huang and Ming Zhu, \"HAST-IDS: Learning Hierarchical Spatial-Temporal Features using Deep Neural Networks to Improve Intrusion Detection,\" in IEEE Access, vol. 6, pp. 1792-1806, 2018.](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8171733\u002F)\n\n> ###### [Wei Wang, \"Deep Learning for Network Traffic Classification and Anomaly Detection\", A Dissertation for Doctor's Degree(Simplified Chineses), 2018.](https:\u002F\u002Fkns.cnki.net\u002Fkcms\u002Fdetail\u002Fdetail.aspx?dbcode=CDFD&dbname=CDFDLAST2018&filename=1018088279.nh&uniplatform=NZKPT&v=p9e7dmiK6pFYHhd0_6XZhKX-LT1BBgUj_Wa-1YaDoAChcp9dIwcBRmTU8zHQl74l)\n\n> ###### [www.scidb.cn](https:\u002F\u002Fwww.scidb.cn\u002Fdetail?dataSetId=53fb61fb99754abfa71b32c0c88b577a&version=V1)\n---\nI'm a Ph.D. graduated from [USTC](http:\u002F\u002Fen.ustc.edu.cn), and I’m interested in network traffic analysis.\u003Cbr> \nIf you have an interesting job opportunity for me, please contact me at [ww8137@mail.ustc.edu.cn](ww8137@mail.ustc.edu.cn) or wechat\u002Fweixin:wangwei-science.\n\n","# 用于网络流量分类的深度学习模型\n\n更多信息请参阅我们的论文。\u003Cbr>\n\n> #### [***:mortar_board:王伟的谷歌学术主页***](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=1nVO7oIAAAAJ)\n\n> ###### [王伟、曾学文、叶小舟、盛毅强和朱明，“基于卷积神经网络表示学习的恶意软件流量分类”，第31届信息网络国际会议（ICOIN 2017），第712–717页，2017年。](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F7899588)\n\n> ###### [王伟、王金林、曾学文、杨中振和朱明，“利用一维卷积神经网络进行端到端加密流量分类”，第15届IEEE智能与安全信息学国际会议（IEEE ISI 2017），第43–48页，2017年。](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8004872\u002F)\n\n> ###### [王伟、盛毅强、王金林、曾学文、叶小舟、黄永忠和朱明，“HAST-IDS：利用深度神经网络学习层次化时空特征以提升入侵检测性能”，IEEE Access，第6卷，第1792–1806页，2018年。](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8171733\u002F)\n\n> ###### [王伟，“用于网络流量分类与异常检测的深度学习”，博士学位论文（中文简体），2018年。](https:\u002F\u002Fkns.cnki.net\u002Fkcms\u002Fdetail\u002Fdetail.aspx?dbcode=CDFD&dbname=CDFDLAST2018&filename=1018088279.nh&uniplatform=NZKPT&v=p9e7dmiK6pFYHhd0_6XZhKX-LT1BBgUj_Wa-1YaDoAChcp9dIwcBRmTU8zHQl74l)\n\n> ###### [www.scidb.cn](https:\u002F\u002Fwww.scidb.cn\u002Fdetail?dataSetId=53fb61fb99754abfa71b32c0c88b577a&version=V1)\n---\n我毕业于中国科学技术大学（USTC），目前从事网络流量分析研究。\u003Cbr>\n如果您有适合我的工作机会，请通过邮箱ww8137@mail.ustc.edu.cn或微信：wangwei-science与我联系。","# DeepTraffic 快速上手指南\n\nDeepTraffic 是一个基于深度学习模型的网络流量分类与异常检测开源项目，支持使用卷积神经网络（CNN）等模型对恶意流量、加密流量进行端到端识别。\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux (推荐 Ubuntu 16.04+) 或 macOS\n- Python 版本：Python 3.6+\n- GPU（可选）：如需加速训练，建议配备 NVIDIA GPU 并安装 CUDA\n\n### 前置依赖\n请确保已安装以下基础库：\n- `pip` (Python 包管理工具)\n- `git`\n\n主要 Python 依赖包括：\n- `tensorflow` 或 `keras` (根据具体模型需求)\n- `numpy`\n- `scikit-learn`\n- `pandas`\n\n> **国内加速建议**：建议使用清华或阿里镜像源安装 Python 依赖，以提升下载速度。\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 安装步骤\n\n1. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fww8137\u002FDeepTraffic.git\n   cd DeepTraffic\n   ```\n\n2. **安装 Python 依赖**\n   推荐使用国内镜像源安装依赖包：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n   *注：若项目中无 `requirements.txt`，请根据模型目录下的具体需求手动安装 `tensorflow` 和 `keras` 等核心库。*\n\n3. **准备数据集**\n   本项目通常需要使用特定的网络流量数据集（如论文中提到的数据集）。请访问作者提供的科学数据库链接获取数据：\n   - 数据地址：[www.scidb.cn](https:\u002F\u002Fwww.scidb.cn\u002Fdetail?dataSetId=53fb61fb99754abfa71b32c0c88b577a&version=V1)\n   \n   下载后将数据解压至项目指定的 `data\u002F` 目录下。\n\n## 基本使用\n\n以下以运行一个基础的流量分类模型为例（具体脚本名称可能因版本不同略有差异，请以项目实际文件为准）：\n\n1. **数据预处理**\n   将原始流量数据转换为模型可输入的格式（如图像矩阵或序列向量）：\n   ```bash\n   python preprocess.py --input data\u002Fraw_traffic.pcap --output data\u002Fprocessed.npy\n   ```\n\n2. **训练模型**\n   启动训练脚本，加载预处理后的数据进行模型训练：\n   ```bash\n   python train.py --data data\u002Fprocessed.npy --model cnn --epochs 50 --batch_size 128\n   ```\n\n3. **评估与预测**\n   使用测试集评估模型准确率，或对新的流量样本进行分类预测：\n   ```bash\n   python evaluate.py --model_path models\u002Fbest_model.h5 --test_data data\u002Ftest.npy\n   ```\n\n> **提示**：详细参数配置及不同模型架构（如 1D-CNN, HAST-IDS）的具体调用方式，请参考项目源码中的注释或作者发表的相关论文。","某中型电商企业的安全团队正面临加密流量激增的挑战，急需在不解密的前提下精准识别隐藏在正常 HTTPS 流量中的恶意软件通信。\n\n### 没有 DeepTraffic 时\n- **依赖特征库滞后**：传统防火墙仅能识别已知威胁签名，面对新型变种恶意流量往往束手无策，漏报率极高。\n- **人工规则维护难**：安全专家需手动编写复杂的正则表达式来匹配异常行为，耗时耗力且难以覆盖所有加密场景。\n- **误报干扰运营**：粗糙的分类策略常将正常的视频流或大文件传输误判为攻击，导致业务中断和大量无效告警。\n- **缺乏深层洞察**：无法从数据包的时间序列和空间结构中提取深层特征，难以发现隐蔽的低频慢速攻击。\n\n### 使用 DeepTraffic 后\n- **智能识别未知威胁**：利用卷积神经网络（CNN）自动学习流量图像的深层特征，无需解密即可高精度分类未知恶意软件流量。\n- **端到端自动化分析**：模型直接处理原始字节流，省去了繁琐的人工特征工程，大幅降低了规则维护成本。\n- **显著降低误报率**：基于深度学习的细粒度分类能力，有效区分正常业务高峰与真实攻击，保障业务连续性。\n- **时空特征深度融合**：通过 HAST-IDS 等架构捕捉流量的时空关联，成功揪出传统手段无法察觉的隐蔽入侵行为。\n\nDeepTraffic 将网络流量分析从“被动匹配规则”升级为“主动智能感知”，为企业构建了应对加密时代威胁的坚实防线。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fechowei_DeepTraffic_e0415111.png","echowei","wangwei","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fechowei_47b2869e.jpg",null,"Beijing","https:\u002F\u002Fgithub.com\u002Fechowei",[79,83,87],{"name":80,"color":81,"percentage":82},"Python","#3572A5",77.8,{"name":84,"color":85,"percentage":86},"PowerShell","#012456",15.1,{"name":88,"color":89,"percentage":90},"Shell","#89e051",7.2,766,299,"2026-04-18T07:16:59","MPL-2.0",4,"","未说明",{"notes":99,"python":97,"dependencies":100},"提供的 README 内容仅包含项目简介、相关学术论文链接及作者联系方式，未提及任何具体的运行环境需求（如操作系统、硬件配置、Python 版本或依赖库）。如需获取技术细节，建议查阅文中列出的论文或访问提供的科学数据库链接。",[],[14],[103,104,105,106,107,108,109],"deep-learning","cnn-model","lstm-model","malware-analysis","encrypted-traffic","traffic-analysis","traffic-classification","2026-03-27T02:49:30.150509","2026-04-20T10:24:15.766707",[113,118,123,127,131,135,140,145],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},44667,"项目代码下载速度极慢或失败，是否有更快的下载方法？","由于 GitHub 服务器在海外，直接通过 git cmd 下载速度可能只有几十 kB\u002Fs 且容易失败。建议尝试以下方法：1. 使用科学上网工具加速；2. 联系已下载成功的用户通过邮件获取数据包（部分用户在 Issue 中留下了邮箱求助）；3. 使用国内镜像站或加速工具进行克隆。","https:\u002F\u002Fgithub.com\u002Fechowei\u002FDeepTraffic\u002Fissues\u002F10",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},44668,"运行脚本时提示只处理 .pcap 文件，但数据集中包含 .pcapng 格式怎么办？","原始脚本 `1_Pcap2Session.ps1` 仅能处理 .pcap 文件。如果遇到 .pcapng 文件，需要先使用 `splitcap` 工具将其转换为 .pcap 格式，然后再运行预处理脚本。此外，对于合并后的 pcap 文件若仍报错，请确保使用的是标准的 pcap 格式而非其他变体。","https:\u002F\u002Fgithub.com\u002Fechowei\u002FDeepTraffic\u002Fissues\u002F2",{"id":124,"question_zh":125,"answer_zh":126,"source_url":122},44669,"当会话包数量少于 10 个时，程序报错或数据分类错误如何解决？","在 `2_ProcessSession.ps1` 中，当文件总数 `$count` 小于 10 时，随机取样逻辑会导致错误并沿用上一轮的数据。解决方案是修改脚本逻辑，直接忽略那些包数量少于 10 个的 .pcap 文件，不参与后续的采样和训练过程。",{"id":128,"question_zh":129,"answer_zh":130,"source_url":122},44670,"训练过程中出现 NaN 梯度或权重突然全变为 0 的原因及修复方法？","这是因为代码中使用了 `tf.nn.softmax(tf.matmul(...) + b_fc2)`，当输入全为 0 或 NaN 时会导致梯度消失。修复方法是改用 TensorFlow 内置的稳定函数 `tf.nn.softmax_cross_entropy_with_logits`，它能安全地处理极端数值情况，防止权重崩塌。",{"id":132,"question_zh":133,"answer_zh":134,"source_url":122},44671,"如何修改代码以适配非 MNIST 标准类别数（如 6 类或 20 类）？","需要修改 TensorFlow 数据集加载部分的硬编码类别数。具体步骤是找到 `\u002Fusr\u002Flocal\u002Flib\u002Fpython2.7\u002Fdist-packages\u002Ftensorflow\u002Fcontrib\u002Flearn\u002Fpython\u002Flearn\u002Fdatasets\u002Fmnist.py`（路径视安装环境而定），将其中定义的类别数量从默认的 10 修改为你实际使用的类别数（例如 6 或 20）。",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},44672,"处理 ISCX2012 数据集时杀毒软件报毒，是否真的含有病毒？","ISCX2012 是公开的恶意流量数据集，其中包含真实的恶意软件流量包，因此被 Windows Defender 等杀毒软件识别并报毒是正常现象。只要不主动执行其中的可执行文件，仅作为数据进行分析通常是安全的。也可以使用 `scapy` 等专业工具包来解析流量包而无需直接运行潜在恶意代码。","https:\u002F\u002Fgithub.com\u002Fechowei\u002FDeepTraffic\u002Fissues\u002F18",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},44673,"论文中提到要随机化 MAC 地址和 IP 地址，但在代码库中找不到相关实现？","作者确认该处理步骤存在，但未直接体现在当前的公开代码库文件夹中。根据作者回复，具体的处理逻辑可能已通过邮件发送给询问者，或者需要在数据预处理的早期阶段（如生成 session 之前）手动添加脚本来随机化数据链路层的 MAC 和 IP 信息，以保护隐私并符合论文描述。","https:\u002F\u002Fgithub.com\u002Fechowei\u002FDeepTraffic\u002Fissues\u002F11",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},44674,"运行训练脚本时报错 'ValueError: Cannot feed value of shape...' 形状不匹配怎么办？","这通常是因为标签数据的维度与模型占位符（Placeholder）定义的维度不一致导致的（例如传入的是 10 维 one-hot 向量，但模型期望的是 2 维或其他维度）。请检查数据集的类别数量设置是否与模型输入层定义一致，并确保在调用 `softmax_cross_entropy_with_logits` 时使用命名参数（labels=..., logits=...）以兼容新版 TensorFlow。","https:\u002F\u002Fgithub.com\u002Fechowei\u002FDeepTraffic\u002Fissues\u002F9",[]]