Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
anomaly-flow — Framework zur Implementierung von Netzwerk-Intrusion-Detection-Systemen (NIDS), das darauf abzielt, Anomalien in Netzwerkflüssen mithilfe von Federated-Learning-Modellen zu identifizieren. | Kitploit
Tools/GitHubGitHub/c2dc/anomaly-flow
NetzwerksicherheitMaschinelles LernenEinbruchserkennungPapers & ForschungLernen & BildungAnomalieerkennung
GitHubc2dc/anomaly-flow

anomaly-flow

Framework zur Implementierung von Netzwerk-Intrusion-Detection-Systemen (NIDS), das darauf abzielt, Anomalien in Netzwerkflüssen mithilfe von Federated-Learning-Modellen zu identifizieren.

Repository anzeigen
13347vor 1 JahrNoch nicht geprüft
Teilen

Anomaly-Flow

License: MIT

Framework zur Implementierung von Intrusion-Detection-Systemen (NIDS) zur Identifizierung von Anomalien in Netzwerkflüssen mithilfe von Machine-Learning-Modellen.

  • Referenzpapier: Anomaly-Flow: A Multi-domain Federated Generative Adversarial Network for Distributed Denial-of-Service Detection

Experimentelle Umgebung erstellen

Um die experimentelle Umgebung zu erstellen, führen Sie die folgenden Befehle aus:

python -m venv .env 

Hinweis: Die virtuelle Umgebung muss diesen Namen haben, da die Skripte diesen Namen verwenden, um die benötigten Bibliotheken zu laden. fl-unsup-nids/blob/anomaly-flow-baseline/utils/load_data.py Nach der Erstellung der virtuellen Umgebung verwenden Sie den folgenden Befehl, um die erforderlichen Python-Pakete zu installieren:

pip install -r requirements.txt

Befehle zum Ausführen lokaler Experimente

Um die lokalen Experimente auszuführen, verwenden Sie den folgenden Befehl:

source experiments.sh

Befehle zum Ausführen der Federated-Learning-Experimente

Um die Federated-Learning-Experimente auszuführen, verwenden Sie den folgenden Befehl:

source run.sh 

Beziehen der Daten für die Experimente

Um die Experimente auszuführen, benötigen wir die Datensätze CIC-IDS2018, BoT-IoT und ToN-IoT in einem Ordner namens datasets im Projektstammverzeichnis, z. B.:

|- 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 

In unserem Fall verwendeten wir abgeleitete Datensätze, die nur gutartige und DDoS-Stichproben enthalten, die aus den ursprünglichen Datensätzen herausgefiltert wurden.

Generierung synthetischer Daten

Um synthetische Daten für einen bestimmten Datensatz zu generieren, verwenden Sie das Skript main.ipynb.

Externe Modelle und Simple-Models-Baseline

EFC-Paket installieren

Um die Skripte für externe und einfache Modelle auszuführen, installieren Sie bitte das benutzerdefinierte Pip-Paket für den EFC-Algorithmus:

  1. Stellen Sie sicher, dass die Skripte Ausführungsrechte haben:
chmod +x ./auxiliary_scripts/install-efc.sh
  1. Führen Sie das Skript aus (Git und die virtuelle Umgebung anomaly-flow namens .env erforderlich):
./auxiliary_scripts/install-efc.sh

Baselines

Die Baselines für eine Multi-Domain-DDoS-Erkennung mit Federated Learning sind hier verfügbar:

  • Autoencoder
  • Logistic Regression
  • FLAD

Referenzen

Die Daten, die für die Durchführung der Experimente verwendet wurden, können hier bezogen werden:

Machine Learning-Based NIDS Datasets (Netflow V2 Datasets)

Die folgenden Projekte dienten als Referenz für die Erstellung dieser Arbeit:

GANomaly

Anomaly-Toolbox Project

Energy-based Flow Classifier

Autoren

drawing    Leonardo Henrique de Melo

drawing    Gustavo de Carvalho Bertoli

drawing    Michele Nogueira

drawing    Aldri Luiz dos Santos

drawing    Lourenço Alves Pereira Junior

Diese Arbeit zitieren

@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}
}
Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    795
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    520
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    439
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    CSIRT-Plattform, die Shadowserver-Berichte in MongoDB einliest und sie als interaktive Karten, Analysen, Findings, Advisories und Executive-Dashboards wiedergibt.

    267
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Das System der Handlung für KI-native Cybersicherheit – wo Absicht zu gesteuerter Ausführung wird, Beweise zu operativem Gedächtnis werden und jeder Einsatz den nächsten verbessert.

    264

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →