Bücher von Junior Momo Ziazet

Diese Arbeit befasst sich mit der Entwicklung eines neuen Ansatzes auf der Grundlage von Deep Learning, um ein effizientes und flexibles System zur Erkennung von Eindringlingen zu implementieren, das den verhaltensbasierten Ansatz verwendet und hauptsächlich für kritische Infrastrukturen und industrielle Kontrollsysteme bestimmt ist. Basierend auf der Annahme, dass die Modellierung des normalen Netzwerkverhaltens von industriellen Kontrollsystemen machbar und zuverlässig ist, da die in diesen Systemen durchgeführten Operationen ziemlich stationär und repetitiv sind, werden Convolutional Neural Networks (CNN), eine Technik des "deep learning", auf dem NSL-KDD-Datensatz verwendet, einem Referenzdatensatz, der für die Einrichtung von Intrusion Detection Systemen verwendet wird. Die Leistung des Ansatzes wird vorgestellt und mit einigen früheren Arbeiten verglichen. Die verwendeten Metriken umfassen den Prozentsatz der korrekten Klassifizierung, die Genauigkeit und die False Positives.

This work focuses on the development of a new approach based on deep learning to implement an efficient and flexible intrusion detection system using the behavioral approach and mainly intended for critical infrastructures and industrial control systems. Based on the assumption that modeling the normal network behavior of industrial control systems is feasible and reliable, because the operations performed in these systems are quite stationary and repetitive, Convolutional Neural Networks (CNN), a deep learning technique, are used on the NSL-KDD dataset, a reference dataset used for the implementation of intrusion detection systems. The performance of the approach is presented and compared to some previous works. The metrics used include the percentage of correct classification, accuracy and false positives show that the proposed approach improves the performance of previous systems.

Este trabajo se centra en el desarrollo de un nuevo enfoque basado en aprendizaje profundo para implementar un sistema de detección de intrusos eficiente y flexible utilizando el enfoque de comportamiento y dirigido principalmente a infraestructuras críticas y sistemas de control industrial. Partiendo de la base de que modelar el comportamiento normal de la red de los sistemas de control industrial es factible y fiable, ya que las operaciones realizadas en estos sistemas son bastante estacionarias y repetitivas, se utilizan Redes Neuronales Convolucionales (CNN), una técnica de aprendizaje profundo, sobre el conjunto de datos NSL-KDD, un conjunto de datos de referencia utilizado para la implementación de sistemas de detección de intrusos. Se presenta el rendimiento del enfoque y se compara con algunos trabajos anteriores. Las métricas utilizadas incluyen el porcentaje de clasificación correcta, la precisión y los falsos positivos, lo que demuestra que el enfoque propuesto mejora el rendimiento de los sistemas anteriores.

Este trabalho centra-se no desenvolvimento de uma nova abordagem baseada em aprendizagem profunda para implementar um sistema de detecção de intrusão eficiente e flexível, utilizando a abordagem comportamental e dirigida principalmente a infra-estruturas críticas e sistemas de controlo industrial. Partindo do pressuposto de que a modelação do comportamento normal da rede dos sistemas de controlo industrial é viável e fiável, uma vez que as operações realizadas nestes sistemas são bastante estacionárias e repetitivas, as Redes Neuronais Convolucionais (CNN), uma técnica de aprendizagem profunda, são utilizadas no conjunto de dados NSL-KDD, um conjunto de dados de referência utilizado para a implementação de sistemas de detecção de intrusões. O desempenho da abordagem é apresentado e comparado com alguns trabalhos anteriores. As métricas utilizadas incluem a percentagem de classificação correcta, a precisão e os falsos positivos, mostrando que a abordagem proposta melhora o desempenho dos sistemas anteriores.

Questo lavoro si concentra sullo sviluppo di un nuovo approccio basato sul deep learning per implementare un sistema di rilevamento delle intrusioni efficiente e flessibile che utilizza l'approccio comportamentale e che si rivolge principalmente alle infrastrutture critiche e ai sistemi di controllo industriali. Partendo dal presupposto che la modellazione del normale comportamento della rete dei sistemi di controllo industriali è fattibile e affidabile, poiché le operazioni eseguite in questi sistemi sono piuttosto stazionarie e ripetitive, le reti neurali convoluzionali (CNN), una tecnica di deep learning, sono utilizzate sul dataset NSL-KDD, un dataset di riferimento utilizzato per l'implementazione di sistemi di rilevamento delle intrusioni. Le prestazioni dell'approccio vengono presentate e confrontate con alcuni lavori precedenti. Le metriche utilizzate includono la percentuale di classificazione corretta, l'accuratezza e i falsi positivi, dimostrando che l'approccio proposto migliora le prestazioni dei sistemi precedenti.

Ce travail porte sur le développement d'une nouvelle approche basée sur l'apprentissage profond dit « deep learning » en anglais pour implémenter un système de détection d'intrusion efficace et flexible utilisant l¿approche comportementale et principalement destiné aux infrastructures critiques et aux systèmes de contrôle industriels. Basé sur l'hypothèse que la modélisation du comportement normal du réseau des systèmes de contrôle industriels est faisable et fiable, ceci parce que les opérations effectuées dans ces systèmes sont assez stationnaires et répétitives, Les réseaux de neurones à convolution (CNN pour Convolutional Neural Network), une technique du « deep learning » sont utilisés, sur le jeu de données NSL-KDD un ensemble de données de référence utilisé pour la mise sur pied des systèmes de détection d¿intrusion. Les performances de l¿approche sont présentées et comparées à quelques travaux antérieurs. Les métriques utilisées incluent le pourcentage de classification correcte, la précision et les faux positifs montrent bien que l¿approche proposée vient améliorer les performances de ceux des systèmes antérieurs.