Anomaly-Flow

Framework pour mettre en œuvre des systèmes de détection d'intrusion (NIDS) visant à identifier les anomalies dans les flux réseau à l'aide de modèles d'apprentissage automatique.

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

Créer l'environnement expérimental

Pour créer l'environnement expérimental, exécutez les commandes suivantes :

python -m venv .env 

Remarque : L'environnement virtuel doit porter ce nom car les scripts l'utilisent pour charger les bibliothèques nécessaires. fl-unsup-nids/blob/anomaly-flow-baseline/utils/load_data.py Après avoir créé l'environnement virtuel, utilisez la commande suivante pour installer les paquets Python nécessaires :

pip install -r requirements.txt

Commandes pour exécuter les expériences locales

Pour exécuter les expériences locales, utilisez la commande suivante :

source experiments.sh

Commandes pour exécuter les expériences d'apprentissage fédéré

Pour exécuter les expériences d'apprentissage fédéré, utilisez la commande suivante :

source run.sh 

Récupération des données pour exécuter les expériences

Pour exécuter les expériences, nous devons avoir les jeux de données CIC-IDS2018, BoT-IoT et ToN-IoT dans un dossier nommé datasets à la racine du projet, par exemple :

|- 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 

Dans notre cas, nous avons utilisé des jeux de données dérivés contenant uniquement des échantillons normaux (benign) et DDoS filtrés à partir des jeux de données originaux.

Génération de données synthétiques

Pour générer des données synthétiques pour un jeu de données spécifique, utilisez le script main.ipynb.

Modèles externes - Baseline des modèles simples

Installer le paquet EFC

Pour exécuter les scripts de modèles externes et simples, veuillez installer le paquet pip personnalisé pour l'algorithme EFC :

1. Assurez-vous que les scripts ont les privilèges d'exécution :

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

2. Exécutez le script (Git et l'environnement anomaly-flow nommé .env requis) :

./auxiliary_scripts/install-efc.sh

Références de base

Les références de base pour la détection DDoS multi-domaine utilisant l'apprentissage fédéré sont disponibles ici :

• Autoencoder
• Logistic Regression
• FLAD

Références

Les données utilisées pour mener les expériences peuvent être obtenues à partir de :

Machine Learning-Based NIDS Datasets (Netflow V2 Datasets)

Les projets suivants ont été utilisés comme référence pour la préparation de ce travail :

GANomaly

Anomaly-Toolbox Project

Energy-based Flow Classifier

Auteurs

   Leonardo Henrique de Melo

   Gustavo de Carvalho Bertoli

   Michele Nogueira

   Aldri Luiz dos Santos

   Lourenço Alves Pereira Junior

Citer ce travail

@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}
}