Detection, Classification, and Modeling Evaluation of Network Intrusions

Les intrusions dans le réseau peuvent causer des dommages importants à différents systèmes. L'utilisation de méthodes d'apprentissage automatique nous aidera à identifier les intrusions au moment de l'occurrence de l'intrusion afin que nous puissions identifier les intrusions si tôt afin d'arrêter de manière significative les dommages. En outre, la classification nous aide à identifier et à reconnaître la catégorie et le type de l'intrusion concomitante. En conséquence, nous connaîtrons la stratégie appropriée pour vaincre l'intrusion puisque nous comprenons son type. Dans cette recherche, nous avons présenté différentes méthodes pour détecter les intrusions réseau ainsi que pour les classer. Nous présentons trois modèles de détection et de classification des intrusions réseau dans le but d'atteindre une précision supérieure à celle de la littérature existante. Nous avons utilisé trois méthodes, à savoir l'arbre de décision, la forêt aléatoire et l'approche d'apprentissage en profondeur. Tous les modèles proposés ont atteint des précisions supérieures à celles de la littérature existante, tandis que le modèle d'arbre de décision a obtenu le résultat le plus précis.

Abstract

Network intrusions can cause significant damage to different systems. Using machine learning methods will help us to identify the intrusions at the time of the occurrence of the intrusion so that we can identify the intrusions so soon in order to significantly stop the damages. Besides, the classification assists us to identify and recognize the category and type of the concurring intrusion. As a result, we will know the proper strategy to defeat the intrusion since we comprehend its type. In this research, we have presented different methods for detecting network intrusions as well as classifying them. We present three models for the detection and classification of network intrusions with the aim of achieving higher accuracy than the existing literature. We have used three methods, namely Decision Tree, Random Forest, and Deep Learning Approach. All of the proposed models have achieved high accuracies than the existing literature while the decision tree model achieved the most accurate result.