Amélioration de la détection/prévention d'intrusion (IDS/IPS) par des Techniques de Deep Learning

Informations

Établissement

Université Gaston Berger

Date de soutenance

07/07/2022

Résumé

À l’ère de la technologie, le paysage des cybermenaces s’élargit, les attaques deviennent plus furtives, rapides et intelligentes et la cybersécurité apparaît comme l’une des nouvelles préoccupations principales des organisations. Les techniques de détection traditionnelles deviennent plus inefficaces contre les menaces polymorphes et les attaques zero-day. La recherche s’est depuis orientée vers l’Intelligence Artificielle (IA) pour rattraper l’état de l’art et l’intelligence des attaques. Le Machine Learning (ML) a rapidement montré ses limites en raison du gros volume de données, de la haute dimensionnalité imposées par l’ère du Big Data et de la charge de travail sur l’extraction manuelle des caractéristiques. L’IDS basé sur ML a montré de mauvaises performances sur des données comme KDDCUP99 et ses améliorations qui ne sont pas si réalistes. Le Deep Learning (DL) et le jeu de données CSE-CIC-IDS2018 viennent à la rescousse pour résoudre de tels problèmes. Dans cette étude, nous proposons une classification du trafic par un CNN unidimensionnel et une détection d’anomalies par un auto-encodeur profond/empilé (DAE). Nous utilisons le CSE-CIC-IDS2018 pour évaluer les modèles proposés. Le F1-score est utilisé comme métrique principale pour la classification du trafic basée sur CNN car le rappel, la précision, le taux de fausses alarmes (FAR) et le taux de faux négatifs (FNR) sont importants dans le domaine de la cybersécurité. La métrique atteint une moyenne de 97,38 % (FAR et FNR très faibles) sans tenir compte de l’attaque par infiltration et de 87,33 % (FAR très élevé et FNR acceptable) lorsque le modèle est respectivement formé par type d’attaque et avec toutes les attaques combinées. En parallèle, le modèle DAE fonctionne bien contre presque toutes les attaques. Les deux modèles affichent des performances élevées et prometteuses.