Détection d'anomalies dans les réseaux utilisant un autoencodeur basé sur LSTM

La détection d'anomalies vise à découvrir des motifs dans les données qui ne correspondent pas au comportement normal attendu. L'un des principaux problèmes des techniques de détection d'anomalies est la disponibilité de données étiquetées pour l'entraînement/validation des modèles. Dans cet article, nous proposons une approche hyper basée sur un autoencodeur Long Short Term Memory (LSTM) et une machine à vecteurs de support à une classe (OC-SVM) pour détecter les anomalies dues aux attaques dans un jeu de données déséquilibré, en entraînant les modèles en utilisant uniquement des exemples de classes normales. L'autoencodeur LSTM est formé pour apprendre le motif de trafic normal et pour apprendre la représentation compressée des données d'entrée (c'est-à-dire les caractéristiques latentes) puis les alimenter dans une approche OC-SVM. Le modèle hybride surmonte les lacunes de l'OC-SVM séparé, dont sa faible capacité à opérer avec des jeux de données massifs et à haute dimensionnalité. De plus, nous réalisons nos expériences en utilisant le jeu de données le plus récent (InSDN) des systèmes de détection d'intrusion (IDS) pour les environnements SDN. Les résultats expérimentaux montrent que le modèle proposé offre un taux de détection plus élevé et réduit considérablement le temps de traitement. Ainsi, notre méthode offre une grande confiance dans la sécurisation des réseaux SDN contre le trafic malveillant.