La proposition d’un système de détection d’intrusion efficace basée sur les anomalies du trafic réseau déséquilibré

Abstract

Les systèmes de détection d'intrusion (IDS) jouent un rôle essentiel dans l'identification des comportements anormaux dans les environnements système et réseau. Les techniques d'apprentissage automatique ont gagné une importance dans ce domaine. Cependant, la présence de données déséquilibrées pose un défi important pour obtenir des résultats de détection précis et fiables. Cette étude se concentre sur l’optimisation des mesures de performance des IDS pour un dataset récent déséquilibré CICIDS 2017. Plus précisément, la recherche met l'accent sur l'impact des données déséquilibrées et explore les limites des approches à un classificateur unique pour classer efficacement le trafic normal et les anomalies (attaques). Pour y remédier, l'étude propose la construction d’un modèle plus sophistiqué qui combine plusieurs classificateurs basés sur les modèles d'ensemble, (Bagging et Boosting), il est évalué à l'aide de l'ensemble de données CICIDS-2017. Les résultats montrent que l’IDS est plus robuste et plus efficace avec mesure de performance de F1-score de 99.97% pour la combinaison du modèle SMOTE avec Bagging