Système de Détection d'Intrusion basé sur l'apprentissage profond

Zusatztext

Ce travail porte sur le développement d'une nouvelle approche basée sur l'apprentissage profond dit ' deep learning ' en anglais pour implémenter un système de détection d'intrusion efficace et flexible utilisant lapproche comportementale et principalement destiné aux infrastructures critiques et aux systèmes de contrôle industriels. Basé sur l'hypothèse que la modélisation du comportement normal du réseau des systèmes de contrôle industriels est faisable et fiable, ceci parce que les opérations effectuées dans ces systèmes sont assez stationnaires et répétitives, Les réseaux de neurones à convolution (CNN pour Convolutional Neural Network), une technique du ' deep learning ' sont utilisés, sur le jeu de données NSL-KDD un ensemble de données de référence utilisé pour la mise sur pied des systèmes de détection dintrusion. Les performances de lapproche sont présentées et comparées à quelques travaux antérieurs. Les métriques utilisées incluent le pourcentage de classification correcte, la précision et les faux positifs montrent bien que lapproche proposée vient améliorer les performances de ceux des systèmes antérieurs.

Autorenportrait

Junior Momo Ziazet, Ingénieur de conception en Télécommunications et TIC de la Faculté de Génie Industriel de l'Université de Douala au Cameroun. Passionné du numérique et de l'intelligence artificielle. Actuellement Moniteur à la Faculté de Génie Industriel de l'Université de Douala.

Weitere Details