Amélioration de l'apprentissage des réseaux neuronaux utilisant l'algorithme de clustering K-Means pour détecter les intrusions dans le réseau

Dans le présent travail, nous proposons une nouvelle technique pour améliorer les capacités d'apprentissage et réduire l'intensité de calcul d'un réseau de neurones à apprentissage compétitif multi-couches en utilisant l'algorithme de clustering K-means. Le modèle proposé utilise une architecture de réseau multi-couches avec un mécanisme d'apprentissage par rétropropagation. L'algorithme K-means est d'abord appliqué au jeu de données d'entraînement pour réduire le nombre d'échantillons à présenter au réseau de neurones, en sélectionnant automatiquement un ensemble optimal d'échantillons. Les résultats obtenus démontrent que la technique proposée performe exceptionnellement tant en termes de précision que de temps de calcul lorsqu'elle est appliquée au jeu de données KDD99 par rapport à un schéma d'apprentissage standard utilisant l'ensemble complet des données.