Anomaly-Flow

用于实现入侵检测系统（NIDS）的框架，旨在利用机器学习模型识别网络流中的异常。

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

创建实验环境

要创建实验环境，请执行以下命令：

python -m venv .env 

注意：虚拟环境必须使用此名称，因为脚本会使用该名称来加载所需的库。 fl-unsup-nids/blob/anomaly-flow-baseline/utils/load_data.py 创建虚拟环境后，使用以下命令安装所需的 Python 包：

pip install -r requirements.txt

运行本地实验的命令

要运行本地实验，请使用以下命令：

source experiments.sh

运行联邦学习实验的命令

要运行联邦学习实验，请使用以下命令：

source run.sh 

获取运行实验所需的数据

要运行实验，我们需要在项目根目录下名为 datasets 的文件夹中放置 CIC-IDS2018、BoT-IoT 和 ToN-IoT 数据集，例如：

|- 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 

在我们的案例中，我们使用了从原始数据集中筛选出的仅包含良性和 DDoS 样本的派生数据集。

生成合成数据

要为特定数据集生成合成数据，请使用脚本 main.ipynb。

外部模型与简单模型基线

安装 EFC 包

要运行外部模型和简单模型脚本，请安装 EFC 算法的自定义 pip 包：

1. 确保脚本具有运行权限：

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

2. 运行脚本（需要 Git 和名为 .env 的 anomaly-flow 环境）：

./auxiliary_scripts/install-efc.sh

基线

用于联邦学习多域 DDoS 检测的基线可在此处获取：

• Autoencoder
• Logistic Regression
• FLAD

参考文献

用于开展实验的数据可从以下网址获取：

Machine Learning-Based NIDS Datasets (Netflow V2 Datasets)

以下项目为本工作的准备提供了参考：

GANomaly

Anomaly-Toolbox Project

Energy-based Flow Classifier

作者

   Leonardo Henrique de Melo

   Gustavo de Carvalho Bertoli

   Michele Nogueira

   Aldri Luiz dos Santos

   Lourenço Alves Pereira Junior

引用本工作

@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}
}