Détection d'intrusions basée sur les anomalies sur des jeux de données de référence pour la sécurité réseau : une évaluation exhaustive

Cette étude aborde deux approches d'apprentissage profond largement reconnues pour la détection d'intrusions réseau : un réseau de neurones profond (DNN) et un réseau de neurones récurrent (RNN). Les deux modèles sont entraînés et évalués sur trois ensembles de données de référence couramment utilisés : KDDCup99, NSL-KDD (chacun avec cinq classes), et UNSW-NB15 (dix classes). Plusieurs optimisateurs, dont Adam, SGD, Adamax, AdamW et Adadelta, sont ensuite explorés, Adam fournissant systématiquement les meilleures performances. CrossEntropyLoss s'avère être la fonction de perte la plus efficace pour ces tâches de classification multi-classes. Conçus pour apprendre automatiquement et extraire des caractéristiques pertinentes à partir des données brutes, les modèles réduisent la dépendance à l'ingénierie manuelle des caractéristiques. Les performances sont évaluées par la précision, la précision positive, le rappel, le score F1 et le taux de faux positifs. Les résultats expérimentaux montrent que les deux modèles atteignent plus de 99 % de précision sur KDDCup99, avec des taux de détection améliorés et des taux de faux positifs inférieurs à 1 % pour KDDCup99 et NSL-KDD. Sur le jeu de données plus complexe UNSW-NB15, les taux de faux positifs restent également en dessous de 8 %, démontrant la robustesse et la généralisabilité des modèles à travers des scénarios d'intrusion divers.