Skip to content
KitploitKITPLOIT
ИнструментыЭксплойтыБлог
Log in
Отправить
ИнструментыЭксплойтыБлог
Отправить

Инструменты для хакинга, пентеста и кибербезопасности — ваш арсенал защиты!

Kitploit — это каталог инструментов для хакинга, кибербезопасности и пентестинга. Находите последние обновления проектов для поиска уязвимостей, анализа систем, автоматизации тестирования и усиления вашей безопасности.

ЛентыКонтактыКонфиденциальность© 2026 Kitploit

Каталог инструментов

Категории

Все категории
Loading categories
Инструменты/GitHubGitHub/c2dc/anomaly-flow
Сетевая безопасностьМашинное ОбучениеОбнаружение ВторженийСтатьи и ИсследованияОбучение и ОбразованиеОбнаружение Аномалий
GitHubc2dc/anomaly-flow

anomaly-flow

Фреймворк для реализации систем обнаружения сетевых вторжений (NIDS), направленных на выявление аномалий в сетевых потоках с использованием моделей федеративного обучения.

Репозиторий
133471 год назадЕщё не проверено
Поделиться

Anomaly-Flow

License: MIT

Фреймворк для реализации систем обнаружения вторжений (NIDS), предназначенных для выявления аномалий в сетевых потоках с использованием моделей машинного обучения.

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

Создание экспериментальной среды

Чтобы создать экспериментальную среду, выполните следующие команды:

python -m venv .env 

Примечание: Виртуальная среда должна иметь это имя, так как скрипты используют его для загрузки необходимых библиотек. fl-unsup-nids/blob/anomaly-flow-baseline/utils/load_data.py После создания виртуальной среды используйте следующую команду для установки необходимых пакетов Python:

pip install -r requirements.txt

Команды для запуска локальных экспериментов

Чтобы запустить локальные эксперименты, используйте следующую команду:

source experiments.sh

Команды для запуска экспериментов федеративного обучения

Чтобы запустить эксперименты федеративного обучения, используйте следующую команду:

source run.sh 

Получение данных для запуска экспериментов

Чтобы запустить эксперименты, нам нужно иметь CIC-IDS2018, BoT-IoT и ToN-IoT в папке с именем datasets в корне проекта, например:

|- 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 

В нашем случае мы использовали производные наборы данных, содержащие только безвредные и DDoS-выборки, отфильтрованные из исходных наборов данных.

Генерация синтетических данных

Чтобы сгенерировать синтетические данные для конкретного набора данных, используйте скрипт main.ipynb.

Базовый уровень внешних и простых моделей

Установка пакета EFC

Чтобы запустить скрипты внешних и простых моделей, установите пользовательский pip-пакет для алгоритма EFC:

  1. Убедитесь, что у скриптов есть права на выполнение:
chmod +x ./auxiliary_scripts/install-efc.sh
  1. Запустите скрипт (требуются Git и среда anomaly-flow с именем .env):
./auxiliary_scripts/install-efc.sh

Базовые уровни

Базовые уровни для многодоменного обнаружения DDoS с использованием федеративного обучения доступны здесь:

  • Autoencoder
  • Logistic Regression
  • FLAD

Ссылки

Данные, использованные для проведения экспериментов, можно получить по адресу:

Machine Learning-Based NIDS Datasets (Netflow V2 Datasets)

Следующие проекты использовались в качестве справочных материалов при подготовке этой работы:

GANomaly

Anomaly-Toolbox Project

Energy-based Flow Classifier

Авторы

рисунок    Leonardo Henrique de Melo

рисунок    Gustavo de Carvalho Bertoli

рисунок    Michele Nogueira

рисунок    Aldri Luiz dos Santos

рисунок    Lourenço Alves Pereira Junior

Цитирование этой работы

@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}
}
Скачать инструмент

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Полный набор инструментов OSINT: граф расследования, оценка достоверности, семейства псевдонимов, карта, временная шкала и отчёты. 49 модулей, более 400 сайтов, API-ключи не требуются.

    795
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Приложение GhostLock с запуском в один клик (CVE-2026-43499)

    520
  • 3

    ARTEX

    baarai/artex

    Платформа автономного тестирования на проникновение на основе мультиагентной LLM с агентами-планировщиками и агентами-исполнителями, графами активов и исследования, записью MITM-трафика и повторной проверкой уязвимостей.

    439
  • 4

    redforge

    cybersecurity91/redforge

    Браузерный инструментарий для red team с 102 офлайн-инструментами для разведки, генерации полезной нагрузки, атак на учётные данные, криптографии, кодирования и отчётности по проектам.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    Платформа CSIRT, которая загружает отчёты Shadowserver в MongoDB и воспроизводит их в виде интерактивных карт, аналитики, результатов, рекомендаций и исполнительных дашбордов.

    267
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Система действий для кибербезопасности на базе ИИ — где намерение превращается в управляемое исполнение, доказательства становятся оперативной памятью, а каждая операция улучшает следующую.

    264

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →