Détection des attaques de déni de service par une approche basée Deeplearning

Abstract

Les attaques par déni de service sont l’une des plus graves en cybersécurité,La diversité de ses attaques et l’utilisation de nombreuses méthodes difficiles à détecter et même à arrêter sont encore aujourd’hui l’une des principales préoccupations de la cybersécurité. Les méthodes élaborées de détection des attaques par déni de service sont très importantes en cybersécurité pour assurer la sécurité du réseau,Récemment, il a fait l’objet de nombreuses recherches et a utilisé beaucoup d’apprentissage automatique de nombreuses façons pour détecter les attaques par déni de service. Notre objectif dans ce travail est de modéliser ce système pour aider les administrateurs de cybersécurité à détecter et identifier diverses attaques. Dans ce travail, nous étudions des méthodes d'apprentissage automatique (ML) pour la détection d'intrusion, puis nous appliquons une technique de techniques d'apprentissage profond, Convolution Neural Network (CNN) et il a été testé sur l'ensemble de données de travail CICDDoS2019 composé de plus de 60 millions de trafic et enregistrant 14 types de cyberattaques, nous avons évalué les méthodes proposées en utilisant différentes mesures appliquées pour évaluer les performances de l'apprentissage automatique (précision, recall, score F1) . Les résultats obtenus montrent que l’apprentissage profond fourni est meilleur que les algorithmes traditionnels d’apprentissage automatique (ML)