Un réseau de neurones profond optimisé via Keras tuner pour la détection des DDoS

Abstract

La détection des attaques DDoS est un défi majeur en matière de sécurité informatique. Les réseaux de neurones profonds sont des modèles puissants capables de reconnaître les comportements malveillants associés à ces attaques en extrayant des caractéristiques complexes des données. Ce mémoire se concentre sur l'optimisation d'un réseau de neurones profond pour la détection des attaques DDoS en utilisant Keras Tuner. Cet outil permet d'explorer automatiquement et de manière itérative les hyperparamètres du modèle afin de trouver la meilleure configuration. En utilisant un large ensemble de données d'attaques DDoS, le réseau de neurones est entraîné à reconnaître les schémas caractéristiques de ces attaques. Ensuite, grâce à Keras Tuner, les hyperparamètres tels que le nombre de couches, les fonctions d'activation et les taux d'apprentissage sont ajustés pour maximiser la précision de la détection. Les résultats obtenus démontrent l'efficacité du modèle optimisé dans la détection des attaques DDoS. En exploitant les capacités d'apprentissage profond du réseau de neurones et en optimisant les hyperparamètres, le modèle atteint une précision élevée et une meilleure capacité à distinguer les attaques DDoS du trafic normal. Et à la fin , l'utilisation d'un réseau de neurones profond optimisé via Keras Tuner offre une approche prometteuse pour la détection des attaques DDoS. Ce modèle optimisé permet une détection plus précise et fiable des attaques, renforçant ainsi la sécurité des systèmes informatiques face à cette menace croissante. Detecting DDoS attacks is a major challenge in computer security. Deep neural networks are powerful models capable of recognizing malicious behaviors associated with these attacks by extracting complex features from the data. This study focuses on optimizing a deep neural network for DDoS attack detection using Keras Tuner. This tool allows for automatic and iterative exploration of the model's hyperparameters to find the best configuration. By using a large dataset of DDoS attacks, the neural network is trained to recognize characteristic patterns of these attacks. Then, using Keras Tuner, hyperparameters such as the number of layers, activation functions, and learning rates are adjusted to maximize detection accuracy. The results demonstrate the effectiveness of the optimized model in detecting DDoS attacks. By leveraging the deep learning capabilities of the neural network and optimizing its hyperparameters, the model achieves high accuracy and improved ability to distinguish DDoS attacks from normal traffic. In conclusion, the use of an optimized deep neural network through Keras Tuner offers a promising approach for DDoS attack detection. This optimized model enables more precise and reliable detection of attacks, thereby enhancing the security of computer systems against this growing threat.