Un système de détection d'intrusion basé sur des réseaux de croyance profonds

La croissance rapide des dispositifs connectés a entraîné la prolifération de nouveaux types de menaces cyber-sécurité connus sous le nom d’attaques zero-day. Les systèmes traditionnels de détection de intrusions basés sur le comportement s’appuient généralement sur des réseaux de neurones profonds (DNN) pour détecter ces attaques. La qualité du jeu de données utilisé pour entraîner le DNN joue un rôle crucial dans la performance de détection, les échantillons sous-représentés entraînant une faible efficacité. Dans cet article, nous développons et évaluons la performance d’un réseau de neurones dédié (DBN) pour la détection d’attaques cyber dans un réseau de dispositifs connectés. Le jeu de données CICIDS2017 a été utilisé pour entraîner et évaluer notre approche proposée. Plusieurs techniques d’équilibrage des classes ont été appliquées et comparées. Enfin, nous comparons notre méthode à un modèle MLP classique ainsi qu’aux états de l’art existants. L’approche DBN proposée présente des résultats compétitifs et prometteurs, avec une amélioration significative de la détection des attaques sous-représentées dans le jeu d’entraînement.