Développement d’une Architecture Basée sur l’Apprentissage Profond (Deep Learning) pour la Détection d’Intrusion dans les Réseaux

Abstract

Le système détection d’intrusion jouer un rôle important dans la sécurité de l’information au niveau du réseau informatique, la technologie consiste à identifier avec précision diverses attaques sur le réseau. Dans ce mémoire, nous explorons comment modéliser un système de détection d'intrusion basé sur l'apprentissage en profondeur, et les techniques d'apprentissage en profondeur sont réputées pour leur capacité à gérer des données à grande échelle ces jours-ci. Ils ont été étudiés dans diverses applications, par exemple la langue, la modélisation graphique, la parole, l'audio, la reconnaissance d'image, la vidéo, le langage naturel et les zones de traitement de signal, et nous utilisons une approche d'apprentissage en profondeur pour l'intrusion détection par l’apprentissage automatique. Et, nous étudions la performance du type en apprentissage en profondeur supervisé, ainsi que, nous avons utilisé un réseau neurone convolutionnel (CNN) une architecture en apprentissage profond a obtenu des résultats significatifs dans le domaine de la vision par ordinateur, pour chercher sur le contenu du DataSet de référence les données normale et anormale. Les résultats expérimentaux montrent que ML-IDS convient parfaitement à la modélisation d’un modèle de classification avec une grande précision et que ses performances sont supérieures à celles des modèles de la méthode de classification par les différents types apprentissage profond, Le modèle ML-IDS, améliore la précision de la détection d'intrusion et fournit une nouvelle méthode de recherche pour la détection d'intrusion.