Détection intelligente des intrusions système basée sur le Deep Learning

Abstract

Cette thèse traite de la sécurité des réseaux informatiques et de l’application du Deep Learning à la détection d’intrusions. Elle s’ouvre sur une présentation des fondements de la cybersécurité, des principales menaces comme les attaques DoS, DDoS, brute force, injections SQL et botnets, ainsi que des mécanismes de protection tels que les pare-feux, le cryptage, les VPN et les systèmes de détection d’intrusions (IDS). Elle introduit ensuite les concepts d’intelligence artificielle, de machine learning et de deep learning, en décrivant les architectures neuronales (ANN, CNN, RNN) et les métriques d’évaluation utilisées pour l’analyse et la classification des attaques. L’étude expérimentale porte sur la détection d’attaques DDoS à l’aide de modèles de deep learning appliqués aux datasets CSE-CIC-IDS2018 et Edge-IIoTSet, avec une comparaison des performances selon différents types de classification. Enfin, une approche améliorée de détection d’anomalies IDS est proposée, intégrant des tech niques d’optimisation et de réduction de dimension afin d’accroître la précision et la robustesse du modèle. Les résultats démontrent l’efficacité du deep learning dans la détection automatisée des intrusions et ouvrent la voie à des modèles plus légers et adaptatifs pour les environnements IoT et Edge Computing