A Comparative Study of Intrusion Detection Models for DDoS and Brute Force Attack Detection Using Public Cybersecurity Datasets
Cette étude propose un système de détection d'intrusion basé sur l'apprentissage automatique utilisant le jeu de données CICIDS2017 pour détecter les attaques DDoS et Brute Force, démontrant que l'algorithme XGBoost surpasse Random Forest et ANN en atteignant près de 99,9975 % de précision et d'autres mesures clés.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez l'internet comme une métropole immense et bouillonnante où des milliards de personnes, d'appareils et de services communiquent constamment entre eux. Dans cette métropole numérique, il y a toujours des fauteurs de troubles qui tentent de semer le chaos. Certains de ces fauteurs de troubles sont comme une foule géante qui inonde une rue spécifique avec tellement de monde que plus personne ne peut passer ; c'est ce qu'on appelle une attaque DDoS. D'autres sont comme un pickpocket qui essaie chaque clé d'un énorme trousseau pour trouver celle qui ouvre une porte verrouillée ; c'est une attaque par force brute (Brute Force).
Pour garder la ville en sécurité, nous avons des gardes de sécurité appelés Systèmes de Détection d'Intrusion (IDS). Pendant longtemps, ces gardes fonctionnaient comme des videurs avec un poster « Recherché ». Ils ne pouvaient attraper les criminels que si le visage du criminel figurait déjà sur le poster. Si un nouveau criminel arrivait déguisé, le videur ne saurait pas comment l'arrêter. Pour corriger cela, les scientifiques ont commencé à enseigner à ces gardes à être plus intelligents. Au lieu de simplement mémoriser des visages, ils ont appris aux gardes à apprendre du comportement de la foule. Ils ont utilisé l'Apprentissage Automatique (Machine Learning), un type de cerveau informatique qui étudie des millions d'exemples de trafic « bon » et de trafic « mauvais » jusqu'à ce qu'il puisse repérer les schémas sournois d'un nouveau criminel par lui-même. La grande question est : quel genre de cerveau intelligent fonctionne le mieux pour attraper ces fauteurs de troubles numériques ?
Cet article se propose de trouver la réponse en mettant à l'épreuve trois types différents de « cerveaux intelligents ». Les chercheurs ont utilisé une vaste bibliothèque réaliste de registres de trafic numérique appelée CICIDS2017, qui contient des millions d'exemples d'activité internet normale mélangée à diverses attaques. Ils ont entraîné trois modèles d'apprentissage automatique spécifiques sur ces données : Random Forest, XGBoost et Réseau de Neurones Artificiels (ANN). Vous pouvez considérer Random Forest comme un comité de nombreux détectives différents, chacun examinant les indices et votant pour savoir qui est le méchant. XGBoost est comme un détective qui apprend de ses propres erreurs, construisant une nouvelle stratégie chaque fois qu'il se trompe sur un indice jusqu'à ce qu'il soit parfait. Le Réseau de Neurones Artificiels est modélisé d'après le cerveau humain, avec des couches de connexions qui tentent de comprendre des schémas complexes, bien qu'il puisse être un peu sensible à la manière dont les indices sont présentés.
Les chercheurs ont soumis ces trois modèles au même entraînement et aux mêmes tests rigoureux pour voir lequel pouvait repérer les attaques DDoS et Brute Force avec le plus de précision. Les résultats étaient incroyablement impressionnants. Les trois modèles étaient excellents dans leur travail, mais XGBoost est apparu comme le champion incontesté. Dans les tests, XGBoost a atteint un taux stupéfiant de 99,9975 % de précision, de précision (precision), de rappel (recall) et de score F1. Cela signifie qu'il a correctement identifié presque chaque attaque et n'a presque jamais fait d'erreur. Random Forest était un deuxième très proche, performant presque aussi bien, tandis que le Réseau de Neurones Artificiels était également très bon mais affichait un score légèrement inférieur, se situant autour de 99,9550 %. L'étude suggère que la légère baisse de performance du Réseau de Neurones pourrait être due au fait qu'il est très sensible à la préparation des données, alors que les modèles basés sur les arbres comme XGBoost et Random Forest gèrent les données de manière plus naturelle.
En fin de compte, l'article conclut que pour attraper ces types spécifiques de cyberattaques, le style de « comité » de Random Forest et le style d'« apprentissage par l'erreur » de XGBoost sont les outils les plus fiables. L'étude a également découvert que les modèles accordaient le plus d'attention à des détails spécifiques sur la façon dont les paquets de données circulaient en retour dans le réseau, suggérant que la manière dont les données reviennent à un expéditeur est un indice majeur pour repérer les problèmes. Bien que les chercheurs notent que ces résultats sont basés sur un ensemble de données spécifique et non sur un trafic internet réel et en direct, les conclusions suggèrent fortement que ces méthodes d'apprentissage d'ensemble sont hautement efficaces et pourraient considérablement améliorer la façon dont nous protégeons nos villes numériques à l'avenir.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.