Une méthode de détection d'anomalies pour détecter les attaques web utilisant un Auto-Encodeur Empilé

Les attaques par réseau constituent actuellement des menaces majeures pour la sécurité de l'information. D'énormes efforts tels que des scanners, des dispositifs de cryptage, des systèmes de détection d'intrusions et des pare-feu ont été déployés pour atténuer ces attaques. Les pare-feu d'application web utilisent des techniques de détection d'intrusions pour protéger les serveurs du trafic HTTP et, des algorithmes d'apprentissage automatique ont été basés sur la détection d'anomalies dans ces pare-feu. Dans ce travail, nous proposons une méthode basée sur le réseau neuronal profond comme méthode d'apprentissage des caractéristiques et la forêt d'isolement comme classifieur. Nous avons comparé cette méthode avec des méthodes n'incluant pas de modèles d'extraction de caractéristiques sur le jeu de données CSIC 2010. De plus, nous avons appliqué différentes fonctions d'activation et d'apprentissage pour notre réseau neuronal profond. Les résultats montrent que les modèles profonds sont plus précis que les méthodes ne disposant pas d'extraction de caractéristiques.