Anomaly-Flow

إطار لتنفيذ أنظمة كشف التسلل (NIDS) تهدف إلى تحديد الحالات الشاذة في تدفقات الشبكة باستخدام نماذج التعلم الآلي.

• الورقة المرجعية: Anomaly-Flow: شبكة خصومية توليدية موزعة عبر مجالات متعددة لكشف هجمات حجب الخدمة الموزعة

إنشاء البيئة التجريبية

لإنشاء البيئة التجريبية، قم بتنفيذ الأوامر التالية:

python -m venv .env 

ملاحظة: يجب أن يحمل البيئة الافتراضية هذا الاسم لأن النصوص البرمجية تستخدم هذا الاسم لتحميل المكتبات المطلوبة. fl-unsup-nids/blob/anomaly-flow-baseline/utils/load_data.py بعد إنشاء البيئة الافتراضية، استخدم الأمر التالي لتثبيت حزم Python اللازمة:

pip install -r requirements.txt

أوامر تشغيل التجارب المحلية

لتشغيل التجارب المحلية، استخدم الأمر التالي:

source experiments.sh

أوامر تشغيل تجارب التعلم الموحد

لتشغيل تجارب التعلم الموحد، استخدم الأمر التالي:

source run.sh 

الحصول على البيانات لتشغيل التجارب

لتشغيل التجارب، نحتاج إلى وجود CIC-IDS2018 و BoT-IoT و ToN-IoT في مجلد يُسمى datasets في جذر المشروع، على سبيل المثال:

|- anomaly-flow
    |- datasets 
        |- NF-CSE-CIC-IDS2018-v2-DDoS.csv.gz
        |- NF-BoT-IoT-v2-DDoS.csv.gz
        |- NF-ToN-IoT-v2-DDoS.csv.gz 

في حالتنا، استخدمنا مجموعات بيانات مشتقة تحتوي فقط على عينات طبيعية وعينات من هجمات DDoS تمت تصفيتها من مجموعات البيانات الأصلية.

توليد البيانات الاصطناعية

لتوليد بيانات اصطناعية لمجموعة بيانات محددة، استخدم النص البرمجي main.ipynb.

النماذج الخارجية خط الأساس للنماذج البسيطة

تثبيت حزمة EFC

لتشغيل نصوص النماذج الخارجية والبسيطة، يرجى تثبيت حزمة pip المخصصة لخوارزمية EFC:

1. تأكد من أن النصوص لديها صلاحيات التشغيل:

chmod +x ./auxiliary_scripts/install-efc.sh

2. قم بتشغيل النص (يتطلب Git والبيئة anomaly-flow المسماة .env):

./auxiliary_scripts/install-efc.sh

خطوط الأساس

خطوط الأساس للكشف عن هجمات DDoS متعددة المجالات باستخدام التعلم الموحد متاحة هنا:

• Autoencoder
• Logistic Regression
• FLAD

المراجع

يمكن الحصول على البيانات المستخدمة لإجراء التجارب من:

مجموعات بيانات NIDS القائمة على التعلم الآلي (مجموعات بيانات Netflow V2)

تم استخدام المشاريع التالية كمرجع في إعداد هذا العمل:

GANomaly

Anomaly-Toolbox Project

Energy-based Flow Classifier

المؤلفون

   Leonardo Henrique de Melo

   Gustavo de Carvalho Bertoli

   Michele Nogueira

   Aldri Luiz dos Santos

   Lourenço Alves Pereira Junior

استشهد بهذا العمل

@ARTICLE{anomalyflow,
  author={De Melo, Leonardo Henrique and Bertoli, Gustavo de Carvalho and Nogueira, Michele and Dos Santos, Aldri Luiz and Pereira, Lourenço Alves},
  journal={IEEE Network}, 
  title={Anomaly-Flow: A Multi-domain Federated Generative Adversarial Network for Distributed Denial-of-Service Detection}, 
  year={2025},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/MNET.2025.3567251}
}