Titre :	Cyber-attack detection on big data using deep learning
Type de document :	texte imprimé
Auteurs :	Linda Bakli, Auteur ; Mohamed Haddadi, Directeur de thèse
Editeur :	Sétif:UFS
Année de publication :	2023
Importance :	1 vol (55 f.)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Cyberattaques Big Data, Deep Learning Ensemble de données CIC-IDS2017 NSLKDD Cybersécurité Détection des menaces
Index. décimale :	004 - Informatique
Résumé :	Dans le paysage numérique interconnecté d’aujourd’hui, la croissance exponentielle du Big Data a marqué le début d’une nouvelle ère de progrès technologique et d’innovation. Mais cette croissance a également engendré des dangers sans précédent, notamment les cyberattaques incessantes et de plus en plus sophistiquées ciblant les systèmes big data. Ces attaques constituent de graves menaces pour l’intégrité des données, la confidentialité et la continuité opérationnelle dans divers secteurs. Parmi les options créées pour maintenir la sécurité figure la création d’un IDS )un système de détection d’intrusion( plus intelligent avec un apprentissage en profondeur. L'objectif de ce travail est d'étudier les performances des méthodes d'apprentissage profond, notamment les modèles CNN, DNN, RNN et MLP, et de sélectionner le réseau neuronal le plus efficace pour effectuer une combinaison entre eux afin de créer un modèle hybride haute performance pour résoudre les problèmes de sécurité. Nous avons évalué les méthodes proposées avec les ensembles de données CICIDS-2017 et NSL-KDD, nous avons également présenté une comparaison avec deux classifications (binaire et multi-classes), en utilisant différentes métriques de performance importantes pour la détection d'intrusion (taux n, taux de fausses alarmes et temps de réponse). Détection). Les résultats expérimentaux ont montré que les performances des approches d'apprentissage profond (DL) proposées hybrides CNN-LSTM sont meilleures que le modèle pur = In today's interconnected digital landscape, the exponential growth of big data has ushered in a new era of technological advancement and innovation. However, this growth has also engendered unprecedented dangers, notably the incessant and increasingly sophisticated cyber-attacks targeting big data systems. These attacks pose grave threats to data integrity, privacy, and operational continuity across various sectors. Among the options created to keep security is the creation of a smarter IDS (an intrusion detection system) with deep learning. The objective of this work is to study the performance of deep learning methods including CNN, DNN, RNN and MLP models and select the most efficient neural network to make a combination between them to create a high- performance hybrid model to solve security problems. We evaluated the proposed methods with the datasets CICIDS-2017 and NSL-KDD, we also presented a comparison with two classifications (binary and multi- class), using different performance metrics important for intrusion detection (n rate, false alarm rate and response time detection). The experimental results showed that the performances of the proposed deep learning (DL) approaches proposed hybrid CNN-LSTM are better than the pure model.
Côte titre :	MAI/0815
En ligne :	https://drive.google.com/file/d/1GkaN4-iOUCgvkV0iUIskaLSzCf3ICs6M/view?usp=drive [...]
Format de la ressource électronique :	pdf

Cyber-attack detection on big data using deep learning [texte imprimé] / Linda Bakli, Auteur ; Mohamed Haddadi, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (55 f.) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Cyberattaques Big Data, Deep Learning Ensemble de données CIC-IDS2017 NSLKDD Cybersécurité Détection des menaces
Index. décimale :	004 - Informatique
Résumé :	Dans le paysage numérique interconnecté d’aujourd’hui, la croissance exponentielle du Big Data a marqué le début d’une nouvelle ère de progrès technologique et d’innovation. Mais cette croissance a également engendré des dangers sans précédent, notamment les cyberattaques incessantes et de plus en plus sophistiquées ciblant les systèmes big data. Ces attaques constituent de graves menaces pour l’intégrité des données, la confidentialité et la continuité opérationnelle dans divers secteurs. Parmi les options créées pour maintenir la sécurité figure la création d’un IDS )un système de détection d’intrusion( plus intelligent avec un apprentissage en profondeur. L'objectif de ce travail est d'étudier les performances des méthodes d'apprentissage profond, notamment les modèles CNN, DNN, RNN et MLP, et de sélectionner le réseau neuronal le plus efficace pour effectuer une combinaison entre eux afin de créer un modèle hybride haute performance pour résoudre les problèmes de sécurité. Nous avons évalué les méthodes proposées avec les ensembles de données CICIDS-2017 et NSL-KDD, nous avons également présenté une comparaison avec deux classifications (binaire et multi-classes), en utilisant différentes métriques de performance importantes pour la détection d'intrusion (taux n, taux de fausses alarmes et temps de réponse). Détection). Les résultats expérimentaux ont montré que les performances des approches d'apprentissage profond (DL) proposées hybrides CNN-LSTM sont meilleures que le modèle pur = In today's interconnected digital landscape, the exponential growth of big data has ushered in a new era of technological advancement and innovation. However, this growth has also engendered unprecedented dangers, notably the incessant and increasingly sophisticated cyber-attacks targeting big data systems. These attacks pose grave threats to data integrity, privacy, and operational continuity across various sectors. Among the options created to keep security is the creation of a smarter IDS (an intrusion detection system) with deep learning. The objective of this work is to study the performance of deep learning methods including CNN, DNN, RNN and MLP models and select the most efficient neural network to make a combination between them to create a high- performance hybrid model to solve security problems. We evaluated the proposed methods with the datasets CICIDS-2017 and NSL-KDD, we also presented a comparison with two classifications (binary and multi- class), using different performance metrics important for intrusion detection (n rate, false alarm rate and response time detection). The experimental results showed that the performances of the proposed deep learning (DL) approaches proposed hybrid CNN-LSTM are better than the pure model.
Côte titre :	MAI/0815
En ligne :	https://drive.google.com/file/d/1GkaN4-iOUCgvkV0iUIskaLSzCf3ICs6M/view?usp=drive [...]
Format de la ressource électronique :	pdf