Yamuna-6730/adaptive-federated-ids

# AegisAI：自适应联邦入侵检测系统 ## 使用时序深度学习和自适应威胁情报的隐私保护 AI 时代网络安全框架 ## 概述 现代网络安全系统面临着日益严峻的挑战，这源于 AI 驱动的网络流量、自动化攻击、云原生基础设施的快速发展以及隐私问题。传统的入侵检测系统 (IDS) 通常难以适应动态流量行为，并受到集中式安全局限性的制约。 本项目提出了一种自适应的隐私保护联邦入侵检测框架，能够利用时序深度学习、联邦学习概念和自适应威胁情报来分析 AI 时代的网络行为。 该框架执行以下任务： - 跨时代网络安全流量分析 - 隐私保护的联邦学习模拟 - 流量复杂度得分 (TCS) 计算 - 自适应混合入侵检测 - 使用 LSTM 的时序深度学习 - 与传统机器学习模型的对比评估 # 架构  ## 主要特性 - 使用 CICIDS2017 和 CICIDS2018 进行跨时代流量分析 - 异构数据集之间的特征协调 - 用于 AI 时代行为分析的流量复杂度得分 (TCS) - 具有分布式节点的联邦学习模拟 - 基于差分隐私的隐私保护 - 使用以下模型的混合 IDS 智能： - Random Forest - XGBoost - LSTM - 自适应模型加权和威胁检测 - 性能对比评估 - 实时入侵检测框架设计 ## 研究动机 AI 时代的网络流量表现出以下特征： - 时间依赖性， - 序列通信模式， - 动态异常行为， - 自动化流量突发， - 不断演进的攻击策略。 传统的机器学习模型通常无法有效捕获这些时序特征。 本研究探讨了诸如 LSTM 之类的时序深度学习架构是否能提高自适应入侵检测的性能，同时利用联邦学习概念保护数据隐私。 ## 使用的数据集 本项目使用了公开可用的入侵检测数据集： - CICIDS2017（AI 时代之前） - CICIDS2018（AI 时代） 由于 GitHub 大小限制，此存储库中不包含数据集。 ### 数据集来源 - CICIDS2017: https://www.unb.ca/cic/datasets/ids-2017.html - CICIDS2018: https://www.unb.ca/cic/datasets/ids-2018.html ## 方法论 ### 1. 数据预处理 - 缺失值处理 - 特征归一化 - 跨时代特征协调 - 安全感知特征选择 ### 2. 流量复杂度分析 使用以下指标计算自定义的流量复杂度得分 (TCS)： - 流持续时间， - 数据包速率， - 数据包长度变化， - 通信动态。 ### 3. 联邦学习模拟 该框架模拟了分布式训练环境： - 企业节点 - 云节点 - IoT 节点 无需共享原始网络流量。 ### 4. 隐私保护 通过以下方式整合了差分隐私概念： - 噪声注入， - 加密模型更新模拟。 ### 5. 混合入侵检测 评估了三种 AI 模型： - Random Forest - XGBoost - LSTM 自适应混合策略根据流量复杂度动态优先考虑模型。 ## 实验结果 | 模型 | 准确率 | 精确率 | 召回率 | F1 分数 | |---|---|---|---|---| | Random Forest | 87.93% | 90.67% | 87.93% | 88.04% | | XGBoost | 86.98% | 90.43% | 86.98% | 87.15% | | LSTM | 96.65% | 96.86% | 96.65% | 96.62% | | 自适应混合模型 | 93.85% | 94.79% | 93.85% | 93.68% | ### 关键观察 实验分析表明，AI 时代的网络安全流量包含强烈的时间和序列依赖性，这使得 LSTM 在入侵检测方面比传统的机器学习方法显著更有效。 ## 项目结构 ``` adaptive-federated-ids/ │ ├── results/ ├── plots/ ├── main.ipynb ├── adaptive_privacy_preserving_federated_ids.ipynb ├── README.md └── .gitignore ``` ## 使用的技术 ### 机器学习与 AI - Python - Scikit-learn - TensorFlow / Keras - XGBoost ### 数据处理 - Pandas - NumPy ### 可视化 - Matplotlib - Seaborn ### 研究与分析 - Jupyter Notebook ## 未来改进方向 - 实时数据包捕获集成 - 基于 Transformer 的入侵检测 - 可解释 AI (XAI) 安全分析 - 区块链保护的联邦聚合 - 边缘设备部署 - 自适应在线学习 ## 研究贡献 本项目的贡献包括： - AI 时代的自适应入侵智能 - 跨时代的网络安全行为分析 - 隐私保护的联邦 IDS 框架 - 流量复杂度感知的威胁检测 - 针对入侵检测的时序深度学习评估 ## 作者 ### R. Srilatha 助理教授 数学系 VNR Vignana Jyothi Institute of Engineering and Technology 印度特伦甘纳邦海得拉巴 ### Yamuna Latchipatruni CSE-(CyS, DS) 和 AI&DS 系 VNR Vignana Jyothi Institute of Engineering and Technology 印度特伦甘纳邦海得拉巴 ### Yedida Bhavana Sree CSE-(CyS, DS) 和 AI&DS 系 VNR Vignana Jyothi Institute of Engineering and Technology 印度特伦甘纳邦海得拉巴 ## 许可证 本项目仅用于学术和研究目的。 ## 引用 如果您在研究或学术项目中使用此项工作，请适当引用。

标签：AI时代网络流量, AI驱动攻击, AMSI绕过, Apex, CICIDS2017, CICIDS2018, CISA项目, IP 地址批量处理, LSTM, NoSQL, TCS, XGBoost, 人工智能安全, 入侵检测系统, 分布式中断检测, 合规性, 威胁检测, 安全数据湖, 实时威胁情报, 差分隐私, 异常检测, 数据隐私保护, 时序分析, 时间序列分析, 机器学习, 模型加权, 流量复杂性评分, 深度学习, 混合模型, 特征工程, 网络安全, 网络行为分析, 联邦学习, 自动化攻击防御, 自适应安全, 跨时代流量分析, 逆向工具, 长短时记忆网络, 随机森林, 隐私保护, 隐私计算, 集成学习