Anomaly-Flow

機械学習モデルを使用してネットワークフロー内の異常を識別することを目的とした、侵入検知システム（NIDS）を実装するためのフレームワークです。

• 参考論文: Anomaly-Flow: A Multi-domain Federated Generative Adversarial Network for Distributed Denial-of-Service Detection

実験環境の構築

実験環境を作成するには、以下のコマンドを実行してください：

python -m venv .env 

注：スクリプトがこの名前を使用して必要なライブラリをロードするため、仮想環境はこの名前である必要があります。 fl-unsup-nids/blob/anomaly-flow-baseline/utils/load_data.py 仮想環境を作成したら、以下のコマンドを使用して必要なPythonパッケージをインストールしてください：

pip install -r requirements.txt

ローカル実験を実行するコマンド

ローカル実験を実行するには、以下のコマンドを使用します：

source experiments.sh

フェデレーテッドラーニング実験を実行するコマンド

フェデレーテッドラーニング実験を実行するには、以下のコマンドを使用します：

source run.sh 

実験を実行するためのデータの取得

実験を実行するには、プロジェクトのルートにあるdatasetsというフォルダにCIC-IDS2018、BoT-IoT、ToN-IoTを配置する必要があります。例：

|- 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 

私たちのケースでは、元のデータセットからフィルタリングされた良性サンプルとDDoSサンプルのみを含む派生データセットを使用しました。

合成データの生成

特定のデータセット用の合成データを生成するには、スクリプトmain.ipynbを使用してください。

外部モデル・シンプルモデルのベースライン

EFCパッケージのインストール

外部モデルおよびシンプルモデルのスクリプトを実行するには、EFCアルゴリズム用のカスタムpipパッケージをインストールしてください：

1. スクリプトに実行権限があることを確認します：

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

2. スクリプトを実行します（Gitと**.env**という名前のanomaly-flow環境が必要です）：

./auxiliary_scripts/install-efc.sh

ベースライン

フェデレーテッドラーニングを使用したマルチドメインDDoS検出のベースラインは、以下の場所で入手できます：

• Autoencoder
• Logistic Regression
• FLAD

参考文献

実験に使用したデータは、以下のサイトから入手できます：

Machine Learning-Based NIDS Datasets (Netflow V2 Datasets)

この研究の準備にあたり、以下のプロジェクトを参考にしました：

GANomaly

Anomaly-Toolbox Project

Energy-based Flow Classifier

著者

   Leonardo Henrique de Melo

   Gustavo de Carvalho Bertoli

   Michele Nogueira

   Aldri Luiz dos Santos

   Lourenço Alves Pereira Junior

引用

@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}
}