BEKKOUCHE , IlhemMAGHLAOUI , MeriemBOUGAMOUZA , Fateh2024-10-142024-10-142024http://dspace.univ-skikda.dz:4000/handle/123456789/2665Au cours de la dernière décennie, le développement rapide des technologies de l’information et de la communication, en particulier Internet, a engendré une vague d’innovations sans précédent à travers le monde. Malheureusement, ces avancées ont été accompagnées par une augmentation des cyberattaques, rendant la protection des réseaux de communication un défi majeur pour les décennies à venir. En tant que première ligne de défense, les systèmes de détection d’intrusion (IDS) ont fait l’objet de nombreuses recherches et jouent un rôle crucial danslasécuritédesréseaux. Cetravailprésentel'étatdel'artdeladétectiond'intrusionavecpourobjectifdedévelopperun modèle capable de détecter et de classifier un large éventail d’attaques. Les contributions de ce mémoire incluent l’exploration de diverses méthodes d'apprentissage automatique, l'étude approfondie d'une méthode d'apprentissage profond, l'autoencodeur, ainsi que l'analyse des résultats pour évaluer l'efficacité des différentes approches. Une comparaison des performances del'apprentissage automatiqueet del'apprentissageprofond dans lecontextede ladétectiond'intrusionsaétéeffectuéeenutilisantlabasededonnéespubliqueCIC-IDS2017. Après un prétraitement et une normalisation des données, ces algorithmes ont été appliqués pour la classification et leurs performances ont été comparées à l'aide de différentes mesures d'évaluation. En termes de performance, cette étude a révélé que les algorithmes d'apprentissage automatique surpassent l'auto-encodeur. Cette supériorité s'explique par la répartition déséquilibrée des échantillons de données entre les différentes classes d'attaques dans la base dedonnéesfrMémoire de Master