Anomaly-Flow

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

2. 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

   Leonardo Henrique de Melo

   Gustavo de Carvalho Bertoli

   Michele Nogueira

   Aldri Luiz dos Santos

   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}
}