Résumé:
La détection des intrusions dans les réseaux joue un rôle crucial dans la garantie de
la cybersécurité et la protection des organisations contre les dommages potentiels. Cette
recherche se concentre sur l'amélioration de la sécurité des réseaux informatiques en
détectant et en atténuant efficacement les intrusions, avec un accent particulier sur la lutte
contre les attaques par déni de service distribué (DDoS). Les techniques d'apprentissage
profond, notamment les réseaux neuronaux profonds (DNN), les réseaux neuronaux
convolutifs (CNN) et les réseaux neuronaux récurrents (RNN), sont explorées pour
développer un système de détection d'intrusion (IDS). La performance de ces modèles est
évaluée en utilisant l'ensemble de données CICDDoS2019 comme référence pour la
détection des attaques DDoS en réseau. Nous évaluons rigoureusement les modèles
d'apprentissage profond proposés, démontrant leur performance supérieure dans la détection
précise des intrusions de réseau avec une précision, un rappel et un score F1 élevés. Cette
recherche démontre l'efficacité des DNN avec 99.76% de précision dans l'amélioration des
systèmes de détection d'intrusion, permettant aux organisations de détecter et de répondre
aux intrusions de réseau, renforçant ainsi les défenses de cybersécurité.
