Python 关于Shannon'计算的概率考虑；网络流量中的熵

我有一个PCAP格式的网络转储文件（dump.PCAP），我试图计算源IP和目标IP的熵

我正在使用Python代码：

import numpy as np
import collections

sample_ips = [
    "131.084.001.031",
    "131.084.001.031",
    "131.284.001.031",
    "131.284.001.031",
    "131.284.001.000",
]

C = collections.Counter(sample_ips)
counts = np.array(list(C.values()),dtype=float)
#counts  = np.array(C.values(),dtype=float)
prob    = counts/counts.sum()
shannon_entropy = (-prob*np.log2(prob)).sum()
print (shannon_entropy)

我有两个来自实验室实验的网络流量：一个没有攻击（semAtaque.pcap），另一个有DDoS攻击（attacks.pcap）

遭受攻击的服务器的IP:192.168.1.5

用这种方法计算时，会产生一些疑问：

1.我正在考虑离散概率分布和同样可能的结果。对吗？这合理吗

2.如何验证实验？我正在考虑使用以下无效假设进行假设检验： “熵值允许您检测攻击” 可以吗

---

对于这个案例，什么样的假设检验是好的（样本空间约为40）

您可能会在网络工程交换中得到其他响应。是的，stackoverflow更适合修复bug，而不是统计和entropy@lit：谢谢！抱歉给你添麻烦了！我认为Shannons熵度量了样本中不同IP-s的一种平衡性。如果一个IP占主导地位，则得到低熵。恐怕您不能在这里进行一般测试，这取决于您的网络。你可以考虑在长时间内查看无攻击服务器的熵，并根据你所看到的来构建经验分布。现在，如果特定模式正常或不正常，您可以构建自定义测试。@Ott Toomet:谢谢！你觉得“假设检验”怎么样？你可能会在网络工程交流中得到更多的回答。是的，stackoverflow更适合修复bug，而不是统计和entropy@lit：谢谢！抱歉给你添麻烦了！我认为Shannons熵度量了样本中不同IP-s的一种平衡性。如果一个IP占主导地位，则得到低熵。恐怕您不能在这里进行一般测试，这取决于您的网络。你可以考虑在长时间内查看无攻击服务器的熵，并根据你所看到的来构建经验分布。现在，如果特定模式正常或不正常，您可以构建自定义测试。@Ott Toomet:谢谢！你觉得“假设检验”怎么样？