Anomaly-Flow

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

2. 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

   Leonardo Henrique de Melo

   Gustavo de Carvalho Bertoli

   Michele Nogueira

   Aldri Luiz dos Santos

   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}
}