Skip to content
KitploitKITPLOIT
उपकरणएक्सप्लॉइटब्लॉग
Log in
जमा करें
उपकरणएक्सप्लॉइटब्लॉग
जमा करें

हैकिंग, पेनटेस्ट और साइबर सुरक्षा उपकरण आपके सुरक्षा शस्त्रागार के लिए!

Kitploit हैकिंग, साइबर सुरक्षा और पेंटेस्टिंग टूल्स की एक निर्देशिका है। कमजोरियों को खोजने, सिस्टम का विश्लेषण करने, परीक्षण को स्वचालित करने और अपनी सुरक्षा को मजबूत करने के लिए नवीनतम प्रोजेक्ट अपडेट खोजें।

फ़ीडसंपर्कगोपनीयता© 2026 Kitploit

टूल निर्देशिका

श्रेणियाँ

सभी श्रेणियाँ देखें
Loading categories
anomaly-flow — फ़ेडरेटेड लर्निंग मॉडल का उपयोग करके नेटवर्क फ्लो में विसंगतियों की पहचान करने के उद्देश्य से नेटवर्क इंट्रूज़न डिटेक्शन सिस्टम (NIDS) लागू करने के लिए फ्रेमवर्क। | Kitploit
उपकरण/GitHubGitHub/c2dc/anomaly-flow
नेटवर्क सुरक्षामशीन लर्निंगघुसपैठ का पता लगानापेपर और शोधलर्निंग और शिक्षाविसंगति का पता लगाना
GitHubc2dc/anomaly-flow

anomaly-flow

फ़ेडरेटेड लर्निंग मॉडल का उपयोग करके नेटवर्क फ्लो में विसंगतियों की पहचान करने के उद्देश्य से नेटवर्क इंट्रूज़न डिटेक्शन सिस्टम (NIDS) लागू करने के लिए फ्रेमवर्क।

रिपॉजिटरी देखें
133471 साल पहलेअभी तक समीक्षित नहीं
साझा करें

Anomaly-Flow

License: MIT

मशीन लर्निंग मॉडल का उपयोग करके नेटवर्क फ्लो में विसंगतियों की पहचान करने के उद्देश्य से घुसपैठ का पता लगाने वाली प्रणालियाँ (NIDS) लागू करने के लिए फ्रेमवर्क।

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

प्रयोगात्मक वातावरण बनाएँ

प्रयोगात्मक वातावरण बनाने के लिए, निम्नलिखित कमांड चलाएँ:

python -m venv .env 

नोट: वर्चुअल वातावरण का नाम यही होना चाहिए क्योंकि स्क्रिप्ट्स आवश्यक लाइब्रेरीज़ लोड करने के लिए इसी नाम का उपयोग करती हैं। fl-unsup-nids/blob/anomaly-flow-baseline/utils/load_data.py वर्चुअल वातावरण बनाने के बाद, आवश्यक Python पैकेज इंस्टॉल करने के लिए निम्नलिखित कमांड का उपयोग करें:

pip install -r requirements.txt

स्थानीय प्रयोग चलाने के लिए कमांड

स्थानीय प्रयोग चलाने के लिए, निम्नलिखित कमांड का उपयोग करें:

source experiments.sh

फ़ेडरेटेड लर्निंग प्रयोग चलाने के लिए कमांड

फ़ेडरेटेड लर्निंग प्रयोग चलाने के लिए, निम्नलिखित कमांड का उपयोग करें:

source run.sh 

प्रयोग चलाने के लिए डेटा प्राप्त करना

प्रयोग चलाने के लिए, हमें प्रोजेक्ट के रूट में datasets नामक फ़ोल्डर में CIC-IDS2018, BoT-IoT और ToN-IoT रखने की आवश्यकता होती है, उदाहरण के लिए:

|- 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 

हमारे मामले में हमने व्युत्पन्न डेटासेट का उपयोग किया, जिसमें मूल डेटासेट से फ़िल्टर किए गए केवल बेनाइन (benign) और DDoS सैंपल शामिल थे।

सिंथेटिक डेटा उत्पन्न करना

किसी विशिष्ट डेटासेट के लिए सिंथेटिक डेटा उत्पन्न करने हेतु main.ipynb स्क्रिप्ट का उपयोग करें।

बाह्य मॉडल एवं सरल मॉडल बेसलाइन

EFC पैकेज इंस्टॉल करें

बाह्य और सरल मॉडल स्क्रिप्ट्स चलाने के लिए, कृपया EFC एल्गोरिथम हेतु कस्टम pip पैकेज इंस्टॉल करें:

  1. सुनिश्चित करें कि स्क्रिप्ट्स के पास चलाने की अनुमति है:
chmod +x ./auxiliary_scripts/install-efc.sh
  1. स्क्रिप्ट चलाएँ (Git और .env नाम का anomaly-flow वातावरण आवश्यक है):
./auxiliary_scripts/install-efc.sh

बेसलाइन्स

फ़ेडरेटेड लर्निंग का उपयोग करके मल्टी-डोमेन DDoS डिटेक्शन के लिए बेसलाइन्स यहाँ उपलब्ध हैं:

  • Autoencoder
  • Logistic Regression
  • FLAD

संदर्भ

प्रयोगों को पूरा करने के लिए उपयोग किया गया डेटा निम्नलिखित से प्राप्त किया जा सकता है:

Machine Learning-Based NIDS Datasets (Netflow V2 Datasets)

इस कार्य की तैयारी के लिए निम्नलिखित प्रोजेक्ट्स को संदर्भ के रूप में उपयोग किया गया था:

GANomaly

Anomaly-Toolbox Project

Energy-based Flow Classifier

लेखक

drawing    Leonardo Henrique de Melo

drawing    Gustavo de Carvalho Bertoli

drawing    Michele Nogueira

drawing    Aldri Luiz dos Santos

drawing    Lourenço Alves Pereira Junior

इस कार्य को उद्धृत करें

@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}
}
टूल डाउनलोड करें

सबसे लोकप्रिय

सभी देखें →

हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 अंतिम OSINT टूलकिट: जाँच ग्राफ़, विश्वास स्कोरिंग, उपनाम परिवार, मानचित्र, टाइमलाइन और रिपोर्ट। 49 मॉड्यूल, 400+ साइटें, किसी API कुंजी की आवश्यकता नहीं।

    806
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # घोस्टलॉक वन-टैप निष्पादन ऐप (CVE-2026-43499)

    523
  • 3

    ARTEX

    baarai/artex

    प्लानर/वर्कर एजेंट, एसेट और एक्सप्लोरेशन ग्राफ़, MITM ट्रैफ़िक रिकॉर्डिंग, और भेद्यता पुनःपरीक्षण के साथ LLM मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म।

    441
  • 4

    redforge

    cybersecurity91/redforge

    ब्राउज़र-साइड रेड टीम टूलकिट, जिसमें रेकॉन, पेलोड जनरेशन, क्रेडेंशियल हमलों, क्रिप्टो, एन्कोडिंग और एंगेजमेंट रिपोर्टिंग के लिए 102 ऑफ़लाइन टूल्स हैं।

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    CSIRT प्लेटफ़ॉर्म जो Shadowserver रिपोर्ट्स को MongoDB में इनजेस्ट करता है और उन्हें इंटरैक्टिव मैप्स, विश्लेषण, निष्कर्षों, सलाहों और कार्यकारी डैशबोर्ड के रूप में पुनः प्रस्तुत करता है।

    270
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI-मूल साइबरसुरक्षा के लिए कार्रवाई की प्रणाली—जहाँ इरादा नियंत्रित निष्पादन बन जाता है, साक्ष्य परिचालन स्मृति बन जाता है, और हर ऑपरेशन अगले को बेहतर बनाता है।

    264

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →