Un modèle d'apprentissage en profondeur pour détecter les malwares

Abstract

Les systèmes de détection de logiciels malveillants ont fait l'objet de nombreuses recherches et jouent un rôle important dans la cybersécurité. L'objectif de cette étude est de modéliser un tel système pour aider les administrateurs système et les utilisateurs à détecter et identifier toute violation de sécurité dans leur organisation afin de les prévenir avant de causer des dommages. Dans ce but, nous avons étudié les performances des méthodes de machine learning (ML) appliquées à la détection des malwares pour la cybersécurité. Ensuite, nous avons appliqué une technique de détection basée sur une approche d'apprentissage en profondeur, un réseau de neurones convolutifs (CNN) pour détecter les logiciels malveillants dans les connexions réseau. Ensuite, nous avons utilisé diverses mesures appliquées pour évaluer les performances de l'apprentissage automatique (précision, rappel, score F1) et deux autres indicateurs de performance importants pour la détection des logiciels malveillants (taux de détection, taux de fausses alarmes) Mot clé : Cybersécurité, Système de détection des malwares, L’apprentissage profond, L’apprentissage automatique, Machine learning, Deep learing