Un système de détection d’intrusion basés sur l’apprentissage profond pour la cybersécurité

Abstract

Le domaine des réseaux d’information s’est considérablement élargi et ouvert grâce aux progrès technologiques, ce qui a conduit à l’émergence de nouvelles techniques pour accéder aux réseaux et aux systèmes d’information. Ces techniques exposent également le réseau à de nouvelles menaces cybernétiques, ce qui a conduit au développement de techniques de pro- tection des réseaux, telles que les systèmes de détection d’intrusions (IDS). Pour améliorer les taux de détection des attaques au sein des IDS, des techniques d’intelligence artificielle sont utilisées. Cette étude propose d’intégrer les systèmes IDS dans les réseaux informatiques en utili- sant des approches d’apprentissage profond et d’apprentissage automatique. Trois techniques de détection basées sur des approches d’apprentissage profond (DNN, CNN, RNN) et d’appren- tissage automatique (Random Forest, KNN et Naive Bayes) sont appliquées pour détecter les intrusions dans les connexions réseau. Les performances de ces approches d’apprentissage pro- fond surpassent les algorithmes d’apprentissage automatique traditionnels, offrant une précision élevée, un taux de détection idéal et un taux de fausses alarmes non négligeable. Les performances des algorithmes d’apprentissage machine et d’apprentissage profond sur l’ensemble de données NSL-KDD surpassent celles de l’ensemble de données CIC_DDoS_2019.

The field of information networks has become more vast and open due to technological advancements, leading to the emergence of new techniques for accessing networks and infor- mation systems. These techniques also expose the network to new cyber threats, leading to the development of network protection techniques, such as intrusion detection systems (IDS). To enhance the detection rates of attacks within IDS, artificial intelligence techniques are used. This study proposes integrating IDS systems into computer networks using deep learning and automatic learning approaches. Three detection techniques based on deep learning ap- proaches (DNN, CNN, RNN) and automatic learning approaches (Random Forest, KNN, and Naive Bayes) are applied to detect intrusions in network connections. The performance of these deep learning approaches surpasses traditional automatic learning algorithms, offering high pre- cision, an ideal detection rate, and a non-ignorable false alarm rate. The performance of machine learning and deep learning algorithms on the NSL-KDD da- taset surpasses that of the CIC_DDoS_2019 dataset.