Please use this identifier to cite or link to this item: http://univ-bejaia.dz/dspace/123456789/21272
Title: Detection d'intrusion en exploitant les methodes d'apprentissage profond
Authors: Rahmani, Omar
Si-Moussa, Yamina
Amroun, Kamal;promoteur
Keywords: Detections d'intrusions : Apprentissage profond : NSL-KDD
Issue Date: 2022
Publisher: Univer.Abderramane Mira-Bejaia
Abstract: Dans l’intérêt d'aider les administrateurs des systèmes a détecter et prévenir toute violation de la sécurité d'information dans les organisations, Beaucoup de recherches ont fait des systèmes de détection d'intrusions (IDS) comme objet. Cette étude est menée dans le but de modéliser un tel système qui joue un rôle primordial dans ce domaine. Pour cela, nous avons étudie les performances des méthodes d'apprentissage profond (DL) pour la détection d'intrusions dans les réseaux. Nous avons implémente 8 modelés pour la multi-classification supervisée, qui se basent sur 8 differentes techniques de DL, un réseau neuronal profond (DNN), un réseau neuronal convolutif (CNN), deux variantes de réseau neuronal récurrent RNN : un réseau de longue mémoire a court terme (LSTM) et un réseau récurrent a portes (GRU). Et des modelés hybrides : (CNN-LSTM), (CNN-GRU), CNN et bidirectionnel LSTM (CNN-BiLSTM), CNN en combinaison avec bidirectionnel GRU (CNN-BiGRU). Nous avons evalue ces modeles avec le jeu de donnee NSK-KDD, plus particulierement KDDTrain+ pour la phase de formation et KDDTest20+ pour le test et validation, deux sous-ensembles de donnees avec d'echantillons les plus difficiles a detectes. Afin de presente une etude comparative de performance entre ces differents modeles, des differentes mesures ont ete appliquee : taux de reussite (Accuracy), Precision, rappel (Recall), moyenne harmonique (F1-Score). Et deux autres indicateurs importants : taux de vraie detection d'intrusions (TPR) et taux de fausse detection de non-intrusion (FPR). Les exprimentations ont donne de tres bons resultats, vu la complexite de dataset. DNN marque le meilleur score en taux de reussite totale de 80.72%, surpassant CNN-BiLSTM et CNN-BiGRU qui ont montre une amelioration par rapport aux travaux anterieurs, avec l'avantage d'une excellente precision de 96.36% et FPR=1.51% pour ce dernier ce qui montrent la bonne efficacité des modelés proposes. Notons que nous avons également entraine et teste les modelés proposes avec un KDDTest moins complexe et les résultats étaient excellents, ce que confirme d’efficacité de nos modelés.
Description: Option : Intelligence Artificielle
URI: http://univ-bejaia.dz/dspace/123456789/21272
Appears in Collections:Mémoires de Master

Files in This Item:
File Description SizeFormat 
mémoire final.pdf4.81 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.