Anomaly-Flow

Framework per l'implementazione di sistemi di rilevamento delle intrusioni (NIDS) finalizzato all'identificazione di anomalie nei flussi di rete tramite modelli di Machine Learning.

• Articolo di riferimento: Anomaly-Flow: A Multi-domain Federated Generative Adversarial Network for Distributed Denial-of-Service Detection

Creare l'ambiente sperimentale

Per creare l'ambiente sperimentale, esegui i seguenti comandi:

python -m venv .env 

Nota: l'ambiente virtuale deve avere questo nome perché gli script usano questo nome per caricare le librerie necessarie. fl-unsup-nids/blob/anomaly-flow-baseline/utils/load_data.py Dopo aver creato l'ambiente virtuale, usa il seguente comando per installare i pacchetti Python necessari:

pip install -r requirements.txt

Comandi per eseguire gli esperimenti locali

Per eseguire gli esperimenti locali, usa il seguente comando:

source experiments.sh

Comandi per eseguire gli esperimenti di Federated Learning

Per eseguire gli esperimenti di Federated Learning, usa il seguente comando:

source run.sh 

Ottenere i dati per eseguire gli esperimenti

Per eseguire gli esperimenti, dobbiamo avere i dataset CIC-IDS2018, BoT-IoT e ToN-IoT in una cartella chiamata datasets nella radice del progetto, ad esempio:

|- 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 

Nel nostro caso abbiamo utilizzato dataset derivati contenenti solo campioni benigni e DDoS filtrati dai dataset originali.

Generazione di dati sintetici

Per generare dati sintetici per un dataset specifico, usa lo script main.ipynb.

Baseline dei modelli esterni e dei modelli semplici

Installare il pacchetto EFC

Per eseguire gli script dei modelli esterni e semplici, installa il pacchetto pip personalizzato per l'algoritmo EFC:

1. Assicurati che gli script abbiano i privilegi di esecuzione:

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

2. Esegui lo script (sono richiesti Git e l'ambiente anomaly-flow denominato .env):

./auxiliary_scripts/install-efc.sh

Baseline

Le baseline per il rilevamento DDoS multi-dominio tramite federated learning sono disponibili qui:

• Autoencoder
• Logistic Regression
• FLAD

Riferimenti

I dati utilizzati per condurre gli esperimenti possono essere ottenuti da:

Machine Learning-Based NIDS Datasets (Netflow V2 Datasets)

I seguenti progetti sono stati utilizzati come riferimento per la preparazione di questo lavoro:

GANomaly

Anomaly-Toolbox Project

Energy-based Flow Classifier

Autori

   Leonardo Henrique de Melo

   Gustavo de Carvalho Bertoli

   Michele Nogueira

   Aldri Luiz dos Santos

   Lourenço Alves Pereira Junior

Come citare questo lavoro

@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}
}