Anomaly-Flow

Framework para implementação de Sistemas de Detecção de Intrusão (NIDS) com o objetivo de identificar anomalias em fluxos de rede usando modelos de Machine Learning.

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

Criar o Ambiente Experimental

Para criar o ambiente experimental, execute os seguintes comandos:

python -m venv .env 

Nota: O ambiente virtual deve ter esse nome porque os scripts usam esse nome para carregar as bibliotecas necessárias. fl-unsup-nids/blob/anomaly-flow-baseline/utils/load_data.py Após criar o ambiente virtual, use o seguinte comando para instalar os pacotes python necessários:

pip install -r requirements.txt

Comandos para executar experimentos locais

Para executar os experimentos locais, use o seguinte comando:

source experiments.sh

Comandos para executar os experimentos de Aprendizado Federado

Para executar os experimentos de Aprendizado Federado, use o seguinte comando:

source run.sh 

Obtendo os dados para executar os experimentos

Para executar os experimentos, precisamos ter o CIC-IDS2018, BoT-IoT e ToN-IoT em uma pasta chamada datasets na raiz do projeto, por exemplo:

|- 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 

No nosso caso, usamos conjuntos de dados derivados contendo apenas amostras benignas e de DDoS filtradas dos conjuntos de dados originais.

Gerando Dados Sintéticos

Para gerar Dados Sintéticos para um conjunto de dados específico, use o script main.ipynb.

Modelos externos e baseline de modelos simples

Instalar o pacote EFC

Para executar os scripts de modelos externos e simples, instale o pacote pip customizado para o algoritmo EFC:

1. Certifique-se de que os scripts tenham privilégios de execução:

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

2. Execute o script (são necessários Git e o ambiente anomaly-flow chamado .env):

./auxiliary_scripts/install-efc.sh

Baselines

As baselines para detecção de DDoS multi-domínio usando aprendizado federado estão disponíveis aqui:

• Autoencoder
• Regressão Logística
• FLAD

Referências

Os dados usados para realizar os experimentos podem ser obtidos em:

Machine Learning-Based NIDS Datasets (Netflow V2 Datasets)

Os seguintes projetos foram usados como referência para a preparação deste trabalho:

GANomaly

Anomaly-Toolbox Project

Energy-based Flow Classifier

Autores

   Leonardo Henrique de Melo

   Gustavo de Carvalho Bertoli

   Michele Nogueira

   Aldri Luiz dos Santos

   Lourenço Alves Pereira Junior

Cite este trabalho

@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}
}