作者您好，我正在复现这个实验，遇到了几个问题，您可以帮帮我嘛，非常非常感谢/(ㄒoㄒ)/~~
1.使用您提供的私有数据集，效果较好。
2.我尝试跟着论文所述，将DoHBrw数据集进行划分，按照论文所述“数据集中第一天生成的流被视为T1，其余的被视为T2。在每个实验中，我们从T1中随机选择少量训练数据，而整个T2用于测试。”我将BenignDoH_NonDoH-Firefox-Google-small（2019-12-09~10日）作为良性T1，共4381条流（与论文提到一致），MaliciousDoH-iodine-pcap所有作为恶意的T1，共12368流，其余分别作为良性/恶意的T2，这样划分是否正确呢？或者您方便提供您实验中划分好T1/T2的数据集嘛？
3.我通过我划分的DoHBrw数据集，使用作者提供的预处理代码进行预处理后，随机选取250良性+250恶意，噪声30%，测试样本良性5000，恶意500，实验了多次结果都很差，我尝试剔除一些较短的流，仍无法达到论文中的效果，您可以帮我看看是什么问题嘛？
=== 标签修正效果统计 ===
良性集合样本总数：303
良性集合中恶意样本数：66
恶意集合样本总数：197
恶意集合中良性样本数：13
整体噪声比例：15.80%
Testing data: Benign/Malicious = 5000/500
Recall: 0.05, Precision: 0.06, F1: 0.05
Acc: 0.84
epoch: 399, loss: 10.871779
AE 训练完成
Epoch: 259, Train Loss: 14.380848, Val Loss: 18.754013, Patience: 49/50
Epoch: 260, Train Loss: 14.249353, Val Loss: 18.708855, Patience: 50/50
早停触发，训练终止！
MADE 训练完成 - be
最佳验证损失: 24.331614
epoch: 493, loss_be: -0.006653, loss_ma1: 0.003443, loss_ma2: -0.001462
epoch: 494, loss_be: -0.088948, loss_ma1: -0.269058, loss_ma2: -0.001021
epoch: 495, loss_be: -0.340252, loss_ma1: -0.252343, loss_ma2: -0.001359
epoch: 496, loss_be: -0.376762, loss_ma1: 0.027022, loss_ma2: 0.001122
epoch: 497, loss_be: -0.075168, loss_ma1: 0.026959, loss_ma2: -0.000715
epoch: 498, loss_be: 0.006122, loss_ma1: 0.028574, loss_ma2: -0.001332
epoch: 499, loss_be: 0.078699, loss_ma1: 0.026108, loss_ma2: 0.001052
作者您好，我正在复现这个实验，遇到了几个问题，您可以帮帮我嘛，非常非常感谢/(ㄒoㄒ)/~~
1.使用您提供的私有数据集，效果较好。
2.我尝试跟着论文所述，将DoHBrw数据集进行划分，按照论文所述“数据集中第一天生成的流被视为T1，其余的被视为T2。在每个实验中，我们从T1中随机选择少量训练数据，而整个T2用于测试。”我将BenignDoH_NonDoH-Firefox-Google-small（2019-12-09~10日）作为良性T1，共4381条流（与论文提到一致），MaliciousDoH-iodine-pcap所有作为恶意的T1，共12368流，其余分别作为良性/恶意的T2，这样划分是否正确呢？或者您方便提供您实验中划分好T1/T2的数据集嘛？
3.我通过我划分的DoHBrw数据集，使用作者提供的预处理代码进行预处理后，随机选取250良性+250恶意，噪声30%，测试样本良性5000，恶意500，实验了多次结果都很差，我尝试剔除一些较短的流，仍无法达到论文中的效果，您可以帮我看看是什么问题嘛？
=== 标签修正效果统计 ===
良性集合样本总数：303
良性集合中恶意样本数：66
恶意集合样本总数：197
恶意集合中良性样本数：13
整体噪声比例：15.80%
Testing data: Benign/Malicious = 5000/500
Recall: 0.05, Precision: 0.06, F1: 0.05
Acc: 0.84
epoch: 399, loss: 10.871779
AE 训练完成
Epoch: 259, Train Loss: 14.380848, Val Loss: 18.754013, Patience: 49/50
Epoch: 260, Train Loss: 14.249353, Val Loss: 18.708855, Patience: 50/50
早停触发，训练终止！
MADE 训练完成 - be
最佳验证损失: 24.331614
epoch: 493, loss_be: -0.006653, loss_ma1: 0.003443, loss_ma2: -0.001462
epoch: 494, loss_be: -0.088948, loss_ma1: -0.269058, loss_ma2: -0.001021
epoch: 495, loss_be: -0.340252, loss_ma1: -0.252343, loss_ma2: -0.001359
epoch: 496, loss_be: -0.376762, loss_ma1: 0.027022, loss_ma2: 0.001122
epoch: 497, loss_be: -0.075168, loss_ma1: 0.026959, loss_ma2: -0.000715
epoch: 498, loss_be: 0.006122, loss_ma1: 0.028574, loss_ma2: -0.001332
epoch: 499, loss_be: 0.078699, loss_ma1: 0.026108, loss_ma2: 0.001052