Anomaly-Flow

Marco de trabajo para implementar Sistemas de Detección de Intrusiones (NIDS) orientados a identificar anomalías en flujos de red utilizando modelos de Aprendizaje Automático.

• Artículo de referencia: Anomaly-Flow: Una Red Generativa Adversarial Federada Multi-dominio para la Detección de Denegación de Servicio Distribuida

Crear el Entorno Experimental

Para crear el entorno experimental, ejecute los siguientes comandos:

python -m venv .env 

Nota: El entorno virtual debe tener este nombre porque los scripts usan este nombre para cargar las bibliotecas necesarias. fl-unsup-nids/blob/anomaly-flow-baseline/utils/load_data.py Después de crear el entorno virtual, use el siguiente comando para instalar los paquetes de Python necesarios:

pip install -r requirements.txt

Comandos para ejecutar experimentos locales

Para ejecutar los experimentos locales, use el siguiente comando:

source experiments.sh

Comandos para ejecutar los experimentos de Aprendizaje Federado

Para ejecutar los experimentos de Aprendizaje Federado, use el siguiente comando:

source run.sh 

Obtener los datos para ejecutar los experimentos

Para ejecutar los experimentos, necesitamos tener los conjuntos de datos CIC-IDS2018, BoT-IoT y ToN-IoT en una carpeta llamada datasets en la raíz del proyecto, por ejemplo:

|- 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 

En nuestro caso, utilizamos conjuntos de datos derivados que contienen solo muestras benignas y de DDoS filtradas de los conjuntos de datos originales.

Generar Datos Sintéticos

Para generar Datos Sintéticos para un conjunto de datos específico, use el script main.ipynb.

Modelos externos – Línea base de modelos simples

Instalar el paquete EFC

Para ejecutar los scripts de modelos externos y simples, instale el paquete pip personalizado para el algoritmo EFC:

1. Asegúrese de que los scripts tengan permisos de ejecución:

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

2. Ejecute el script (se requiere Git y el entorno anomaly-flow llamado .env):

./auxiliary_scripts/install-efc.sh

Líneas base

Las líneas base para la detección de DDoS multi-dominio mediante aprendizaje federado están disponibles aquí:

• Autoencoder
• Regresión Logística
• FLAD

Referencias

Los datos utilizados para llevar a cabo los experimentos se pueden obtener de:

Conjuntos de datos NIDS basados en Aprendizaje Automático (Netflow V2)

Los siguientes proyectos se utilizaron como referencia para la preparación de este trabajo:

GANomaly

Anomaly-Toolbox Project

Clasificador de Flujo basado en Energía

Autores

   Leonardo Henrique de Melo

   Gustavo de Carvalho Bertoli

   Michele Nogueira

   Aldri Luiz dos Santos

   Lourenço Alves Pereira Junior

Cite este trabajo

@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}
}