Outil d'apprentissage automatique WEKA pour le système de détection d'intrusion

Abstract

Ces dernières années, la prolifération des cybermenaces a fait des systèmes de détection d'intrusion un élément essentiel de la cybersécurité. Les approches IDS traditionnelles, notamment celles basées sur des signatures prédéfinies, se heurtent à des limites pour détecter les attaques émergentes et sophistiquées. Ce mémoire explore l'intégration de techniques d'apprentissage automatique à l'outil WEKA, en se concentrant sur l'amélioration des capacités de détection grâce à des classificateurs intelligents. Ce mémoire comprend une analyse détaillée de divers algorithmes d'apprentissage supervisé, appliqués au jeu de données NSL-KDD, une référence dans le domaine de la détection d'intrusion. Une contribution significative de ces travaux est le développement d'une solution hybride permettant l'utilisation de réseaux de neurones convolutifs 1D-CNN au sein de l'environnement WEKA. Cette intégration a été réalisée grâce à la conception d'une interface personnalisée reliant WEKA à des bibliothèques d'apprentissage profond basées sur Python, surmontant ainsi les limitations inhérentes à WEKA pour le traitement de données. Le cadre proposé facilite l'apprentissage et l'évaluation fluides des modèles en combinant l'interface conviviale de WEKA avec la puissance de l'apprentissage profond. Cette approche ouvre la voie à la création de systèmes de détection d'intrusion plus robustes et adaptatifs. Les travaux futurs pourraient inclure l'extension de la solution à des scénarios de détection d'intrusion en temps réel et son test sur des ensembles de données plus diversifiés.