Évaluation de réseaux neuronaux profonds et de réseaux neuronaux superficiels pour les systèmes de détection d'intrusion réseau en cybersécurité

Le système de détection d'intrusion (IDS) est devenu une couche essentielle dans tous les systèmes informatiques et de télécommunication (ICT) les plus récents, en raison de la montée en puissance des préoccupations liées à la cybersécurité dans le monde quotidien. En raison de l'incertitude quant à la classification des types d'attaques et de la complexité croissante des cyberattaques avancées, la mise en œuvre de réseaux de neurones profonds (DNN) s'impose comme une nécessité. Dans cet article, les DNN sont exploités pour prédire les attaques au sein d’un système de détection d'intrusion réseau (N-IDS). Un réseau de neurones profond avec un taux d'apprentissage de 0,1 a été utilisé, entraîné sur 1 000 époques, et le jeu de données KDDCup’99 a été employé pour l'entraînement et la validation du modèle. À des fins de comparaison, l'entraînement a également été réalisé sur le même jeu de données en utilisant plusieurs algorithmes classiques d'apprentissage automatique ainsi qu’un DNN comprenant entre 1 et 5 couches. Les résultats ont été analysés et comparés, conduisant à la conclusion que le DNN à trois couches présente une performance supérieure par rapport à tous les algorithmes classiques d'apprentissage automatique testés.