Identifier les cyberattaques qui tentent de compromettre les systèmes numériques est une fonction cruciale des systèmes de détection d'intrusion (IDS). Les difficultés de labellisation des données, les conclusions erronées et la vulnérabilité aux injections de données malveillantes ne sont que quelques-uns des inconvénients de l'utilisation des algorithmes d'apprentissage automatique pour la cybersécurité. Pour surmonter ces obstacles, les chercheurs ont créé plusieurs modèles IDS réseau, tels que le classificateur multiclass Naïve Bayes caché et les techniques d'apprentissage supervisé/non supervisé. Cette étude propose une stratégie d'apprentissage mise à jour pour les réseaux neuronaux artificiels (ANN) afin de traiter les problèmes de catégorisation des données causés par des données déséquilibrées. Comparé aux approches traditionnelles, l'exactitude de 92 % de l'ANN augmentée constitue une amélioration significative grâce à la résilience accrue du réseau face aux perturbations et à la complexité computationnelle, apportées par l'ajout d'un poids aléatoire et d'un scaler standard. Compte tenu de la nature en perpétuelle évolution des menaces cybersécuritaires, cette étude introduit une méthode révolutionnaire de détection d'intrusion.
Oyinloye et al. (Sat,) ont étudié cette question.