Anomaly-Flow

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

2. 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

   Leonardo Henrique de Melo

   Gustavo de Carvalho Bertoli

   Michele Nogueira

   Aldri Luiz dos Santos

   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}
}