Un modèle CNN-IDS modifié pour améliorer l'efficacité du système de détection d'intrusion

Alors que la sécurité des réseaux informatiques dans les entreprises du monde entier dépend du bon fonctionnement des systèmes de détection d'intrusion (IDS) et des systèmes de prévention des intrusions (IPS), l'efficacité de ces deux derniers est d'une priorité absolue. En s'appuyant sur diverses techniques, ces systèmes de sécurité réseau sont conçus pour maintenir la fiabilité, la disponibilité et l'intégrité des réseaux organisationnels en sécurité. Un avantage de l'utilisation de l'apprentissage automatique (ML) dans le système de détection d'intrusion (IDS) est qu'il a réussi à éliminer toutes les attaques IDS avec un haut degré de précision. En revanche, de tels systèmes peuvent être considérés comme opérant à leurs niveaux de compétence les plus faibles lorsqu'il s'agit de traiter des espaces de données surdimensionnés. Pour résoudre ce problème, l'application de techniques de sélection de caractéristiques jouera un rôle crucial pour ignorer les caractéristiques non pertinentes qui n'impactent pas beaucoup le problème de classification. Une autre chose à garder à l'esprit est que les IDS basés sur le ML ont souvent des problèmes avec un nombre élevé de fausses alarmes et un pourcentage de précision en raison des ensembles d'apprentissage déséquilibrés. Le travail de cet article implique une analyse approfondie du jeu de données de détection d'intrusion UNSW-NB15 sur lequel nos modèles seront testés et formés. Nous utilisons deux approches de sélection de caractéristiques : la méthode PCA, désignée comme PCA, et la méthode SVD, appelée SVD. De plus, nous catégorisons les ensembles de données en utilisant ces méthodes - Régression de Ridge (RR), Descente de Gradient Stochastique, et Réseau de Neurones Convolutif (CNN) - sur l'espace de caractéristiques transformé. Ce qui est le plus largement utilisé, c'est qu'il traite à la fois de la classification binaire et multiclass. La mesure des résultats montre que PCA et SVD ont réussi à obtenir de meilleures performances d'IDS que d'autres en améliorant la précision des modèles de classification. Plus précisément, la précision du classificateur RR était exceptionnelle pour le problème de classification binaire, connaissant une augmentation de la précision de 98,13 % à 99,85 %. Cela montre le rôle critique des approches de sélection de caractéristiques et démontre également les capacités de modélisation des classificateurs RR, SGD et CNN, se distinguant comme une solution pour la détection d'intrusion.