Combinaison de la Visualisation et du Deep Learning pour la Détection d'Intrusions sur la Base NSL-KDD.
| dc.contributor.author | Zemmali ,Fatima zahra | |
| dc.contributor.author | Cheikh, Mohamed | |
| dc.date.accessioned | 2024-10-23T09:48:07Z | |
| dc.date.available | 2024-10-23T09:48:07Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Les attaques de déni de service (DoS) et distribuées (DDoS) ciblent la disponibilité des ressources réseau légitimes, perturbant gravement les services en ligne par la surcharge des serveurs ou l'exploitation de vulnérabilités dans les protocoles réseau. Les systèmes de détection d’intrusion (IDS) jouent un rôle crucial dans la prévention de ces attaques en surveillant le trafic réseau et en identifiant les comportements malveillants. Ce travail propose une méthode novatrice de détection basée sur l'analyse en temps réel et la représentation graphique des paramètres réseau. En utilisant l'ensemble de données NSL KDD, notre approche démontre une efficacité accrue dans la détection des attaques DoS en exploitant les techniques d'apprentissage profond, notamment les réseaux neuronaux convolutifs (CNN), et en utilisant des visualisations géométriques pour détecter les comportements suspects. Cette approche renforce la capacité des administrateurs à réagir promptement aux menaces de sécurité, améliorant ainsi la résilience des infrastructures face aux attaques informatiques. | |
| dc.identifier.uri | http://dspace.univ-skikda.dz:4000/handle/123456789/2974 | |
| dc.language.iso | fr | |
| dc.publisher | Faculté des Sciences | |
| dc.title | Combinaison de la Visualisation et du Deep Learning pour la Détection d'Intrusions sur la Base NSL-KDD. | |
| dc.title.alternative | Génie Logiciel Avancée et Application | |
| dc.type | Mémoire de Master |