Une revue technique et une analyse comparative des techniques d'apprentissage automatique pour les systèmes de détection d'intrusion dans les MANET

Les techniques d'apprentissage automatique sont largement utilisées pour développer un système de détection d'intrusion (IDS) afin de détecter et de classifier les cyberattaques au niveau du réseau et au niveau de l'hôte de manière rapide et automatique. Cependant, les systèmes de détection d'intrusion traditionnels (IDS), basés sur des méthodes d'apprentissage automatique traditionnelles, manquent de fiabilité et de précision. Au lieu des méthodes d'apprentissage automatique traditionnelles utilisées dans les recherches précédentes, nous pensons que l'apprentissage profond a le potentiel de mieux extraire les caractéristiques de données massives en tenant compte du trafic cybernétique massif dans la vie réelle. En général, les réseaux mobiles ad hoc offrent une faible sécurité physique pour les appareils mobiles, en raison de propriétés telles que la mobilité des nœuds, le manque de gestion centralisée et la bande passante limitée. Pour s'attaquer à ces problèmes de sécurité, les schémas de cryptographie traditionnels ne peuvent pas entièrement protéger les MANETs face à des menaces et des vulnérabilités nouvelles, ainsi, en appliquant des méthodes d'apprentissage profond dans les IDS, ils sont capables de s'adapter aux environnements dynamiques des MANETs et de permettre au système de prendre des décisions sur les intrusions tout en continuant à apprendre sur leur environnement mobile. Un IDS dans un MANET est un mécanisme de détection qui surveille les nœuds et les activités du réseau afin de détecter des actions malveillantes et des tentatives malveillantes effectuées par des intrus. Récemment, plusieurs approches d'apprentissage profond ont été proposées pour améliorer les performances des systèmes de détection d'intrusion. Dans cet article, nous avons réalisé une comparaison systématique de trois modèles : l'architecture de réseau de neurones convolutifs Inception-CNN, la mémoire à long terme et à court terme bidirectionnelle (BLSTM) et le réseau de croyance profond (DBN) sur les systèmes de détection d'intrusion basés sur l'apprentissage profond, en utilisant le jeu de données NSL-KDD contenant des informations sur les intrusions et les connexions réseau régulières ; l'objectif est de fournir des orientations de base sur le choix des méthodes d'apprentissage profond dans les MANET.