Please use this identifier to cite or link to this item:
http://dspace.centre-univ-mila.dz/jspui/handle/123456789/3814
Title: | Applying Machine Learning and Deep Learning Techniques for Intrusion Detection Systems. |
Authors: | Chaima , Bellout , Belattar Mohammed Lamine |
Keywords: | Intrusion detection systems, Machine Learning, Deep Learning, Pre-processing of network flows, IDS-Related datasets Systèmes de détection d'intrusions, Apprentissage automatique, Apprentissage profond, Prétraitement des flux réseau, Ensembles de données liés aux IDS. |
Issue Date: | Jun-2024 |
Publisher: | university center of abdalhafid boussouf - MILA |
Citation: | Artificial Intelligence and its Applications |
Abstract: | Network security risks have significantly increased in recent years due to the rapid growth of digital technology, leading to the emergence of new and advanced threats. To keep pace with these developments, experts are compelled to adopt artificial intelligence (AI)-based solutions to ensure robust defense systems, thereby enhancing their ability to protect networks from escalating cyber threats.This project leverages Machine Learning (ML) and Deep Learning (DL) techniques to enhance Intrusion Detection Systems (IDS), which are considered the frontline defense against cyber threats. Our primary objective was to develop and evaluate the performance of the trained ML/DL models using well-known metrics. As a foundation, we began with a descriptive and comparative analysis of various IDS-related datasets. Based on this analysis, we selected the CIC-IDS2017 dataset for our study. We then implemented a robust data preprocessing methodology, inspired by best practices established in related works.The CIC-IDS2017 dataset was used to train our ML/DL models, achieving robust performance across most evaluation metrics on the test set. However, a critical challenge in IDS design is ensuring model resilience against unseen traffic. To address this, we extended our evaluation by validating our trained models on the CIC-IDS2018 dataset, which contains different attack vectors and network configurations. The models demonstrated strong generalization capabilities, maintaining high performance on this unseen data.The results of our study demonstrated the significant potential of ML/DL techniques in enhancing network security. |
Description: | Les risques liés à la sécurité des réseaux ont considérablement augmenté ces dernières années en raison de la croissance rapide de la technologie numérique, entraînant l’émergence de nouvelles menaces avancées. Pour suivre ces évolutions, les experts ont été contraints d’adopter des solutions basées sur l’intelligence artificielle (IA) afin de garantir des systèmes de défense robustes, renforçant ainsi leur capacité à protéger les réseaux contre les menaces cybernétiques croissantes.Ce projet utilise des techniques d’apprentissage automatique (Machine Learning ou ML) et d’apprentissage profond (Deep Learning ou DL) pour améliorer les systèmes de détection d’intrusion (IDS), qui sont considérés comme la première ligne de défense contre les menaces cybernétiques. Notre objectif principal était de développer et d’évaluer la performance des modèles ML/DL entraînés en utilisant des métriques standard. Comme base, nous avons commencé par une analyse descriptive et comparative de divers ensembles de données liés aux IDS. Sur la base de cette analyse, nous avons sélectionné l’ensemble de données CIC-IDS2017 pour notre étude. Nous avons ensuite mis en oeuvre une méthodologie de prétraitement des données robuste, inspirée des meilleures pratiques établies dans les travaux connexes.L’ensemble de données CIC-IDS2017 a été utilisé pour entraîner nos modèles ML/DL, obtenant des performances solides sur la plupart des métriques d’évaluation sur le jeu de test. Cependant, un défi crucial dans la conception des IDS est d’assurer la résilience du modèle face à un trafic inconnu. Pour résoudre ce problème, nous avons élargi notre évaluation en validant nos modèles entraînés sur l’ensemble de données CIC-IDS2018, qui contient différents types d’attaques et configurations réseau. Les modèles ont démontré de fortes capacités de généralisation, maintenant une haute performance sur ces données inconnues.Les résultats de notre étude ont démontré le potentiel significatif des techniques ML/DL pour renforcer la sécurité des réseaux. |
URI: | http://dspace.centre-univ-mila.dz/jspui/handle/123456789/3814 |
Appears in Collections: | Computer science |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Applying Machine Learning and Deep Learning Techniques for Intrusion Detection Systems.pdf | 5,61 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.