Méthode d'apprentissage profond pour la détection des attaques par déni de service basée sur la machine de Boltzmann restreinte

Dans cet article, l'application de la méthode d'apprentissage profond basée sur une machine de Boltzmann restreinte de type Gaussian-Bernoulli (RBM) pour la détection des attaques par déni de service (DoS) est considérée. Pour augmenter la précision de la détection des attaques DoS, sept couches supplémentaires sont ajoutées entre les couches visible et cachée de la RBM. Des résultats précis dans la détection des attaques DoS sont obtenus par l'optimisation des hyperparamètres du modèle de RBM profond proposé. La forme de la RBM qui permet l'application de données continues est utilisée. Dans ce type de RBM, la distribution de probabilité de la couche visible est remplacée par une distribution gaussienne. Une analyse comparative de la précision de la méthode proposée avec la RBM Bernoulli-Bernoulli, la RBM Gaussian-Bernoulli et les méthodes d'apprentissage profond de type réseau de croyance profonde sur la détection des attaques DoS est fournie. La précision de détection des méthodes est vérifiée sur l'ensemble de données NSL-KDD. Une précision supérieure du modèle de RBM profond de type Gaussian-Bernoulli multilayer est obtenue.