我有以下数据集，我正在考虑使用 RNN/LSTM 对协议进行分类。数据包含来自数据包捕获的特征，只有两个提供的字段：设备 MAC 地址的 OUI 和特定协议的数据包的到达间隔时间 (IAT)。
例如，从特定设备类型的角度来看，http 和 ntp 的标记数据如下所示：
# MAC, ConnectivityIAT -> protocol
ff:f1:f2, 10, -> http
ff:f1:f2, 20, -> http
ff:f1:f2, 30, -> http
ff:f1:f2, 0, -> http
ff:f1:f2, 3, -> ntp
ff:f1:f2, 6, -> ntp
ff:f1:f2, 9, -> ntp
任务是在以下情况下预测正确的类别：
ff:ff1:f2, 10 -> ?
可见。
问题：
如何使用 NN 接近解决方案？
鉴于您的数据，看起来 RNN/LSTM 并不是最明智的选择。
看起来您有两个功能和一个二进制输出。RNN/LSTM 对可变长度输入很有用，否则，它们就有点矫枉过正了。
此外，在使用深度学习方法之前，请确保您拥有合理数量的数据。他们通常有很多参数要训练，如果你没有足够的数据点，这可能很难做到。
如果您想坚持使用 NN，我会说常规的多层感知器可能会完成这项工作。如果您对其他选项持开放态度，我会为这个特定问题尝试决策树。
如何将 OUI 的分类值转换为数字实体
您可以使用 one-hot 编码。那里有很多实现（即scikit-learn），或者你可以自己做。
您可以使用LabelEncoder转换 OUI 的分类值。看起来您有两个功能（OUI 和 IAT）和固定数量的类/输出。您可以使用 MLP 分类器来解决此问题。在 Keras 中：
model = Sequential()
model.add(Dense(32, input_shape=(num_features,)))
model.add(Activation('relu'))
model.add(Dense(num_classes))
model.add(Activation('softmax'))
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
这只是一个例子，最好创建一个更深的架构并添加正则化（例如 l1/l2 权重惩罚或 drop-out）以防止过度拟合。