Conception d’un IDS basé sur le Deep Learning et RBN

Abstract

Les réseaux jouent un rôle important dans la vie moderne et le cyber sécurité est devenu domaine de recherche. Un système de détection d'intrusion (IDS) qui est une technique de cyber sécurité importante, surveille l'état des logiciels et du matériel fonctionnant sur le réseau. Malgré des décennies de développement, les IDS existants sont toujours confrontés à des défis pour améliorer la précision de détection et réduire le taux de fausses alarmes et détecter les attaques inconnues. Pour résoudre les problèmes ci-dessus, de nombreux chercheurs se sont concentrés sur le développement d'IDS qui capitalisent sur les méthodes d'apprentissage automatique. L‘approche proposée a été testée sur la base publique NSL-KDD. Nous avons effectué la réduction de la dimensionnalité de la base DBN. Ensuite, nous avons effectué une classification (multi-classes) avec RB. Les résultats obtenus sont très satisfaisants car on réussit à obtenir un taux minimum des fausses alertes (faux positive) et un taux maximum de détection d’attaques, avec une réduction du temps d’apprentissage et de prédiction.