L'efficacité des systèmes de détection d'intrusion réseau, principalement fondés sur l'apprentissage automatique, est fortement influencée par les jeux de données sur lesquels ils sont entraînés. Assurer une représentation fidèle de la diversité des flux légitimes et malveillants dans ces jeux de données est essentiel pour concevoir des modèles capables de reconnaître et de répondre à une large variété de schémas d'intrusion. Toutefois, les jeux de données existants souffrent souvent de carences en matière de diversité et de pertinence face à l'évolution récente des environnements réseau, ce qui limite leur efficacité. Ce papier présente TII-SSRC-23, un nouveau jeu de données complet conçu pour surmonter ces défis. Composé d'une diversité de types et de sous-types de trafic, ce jeu de données constitue un outil robuste et polyvalent pour la communauté de recherche. Par ailleurs, nous menons une analyse de l'importance des caractéristiques, offrant des éclairages cruciaux sur les attributs clés pour les tâches de détection d'intrusion. Grâce à des expérimentations approfondies, nous établissons également des références solides pour les méthodologies supervisées et non supervisées de détection d'intrusion utilisant notre jeu de données, contribuant ainsi au progrès et à l'adaptabilité des modèles de détection d'intrusion dans un paysage de sécurité réseau en constante évolution. Ce jeu de données est disponible à l'adresse suivante : https://kaggle.com/datasets/daniaherzalla/tii-ssrc-23.