Détection d’intrusion dans un système e Learning

Abstract

La détection des intrusions dans les systèmes e-Learning est un aspect crucial de la sécurité de ces plateformes. Actuellement, les technologies de détection populaires se reposent sur des algorithmes d'apprentissage automatique traditionnels pour entraîner des modèles de détection d'intrusions à partir d'échantillons. Cependant, ces méthodes présentent souvent des taux de détection relativement faibles. L'apprentissage profond représente une avancée significative, permettant l'extraction automatique de caractéristiques pertinentes des échantillons. Face à la précision limitée des méthodes traditionnelles, cette étude propose un modèle de détection d'intrusions dans les systèmes e-Learning basé sur un réseau neuronal convolutif (CNN). Ce modèle est conçu pour extraire efficacement les caractéristiques des échantillons d'intrusion, améliorant ainsi la précision du processus de classification. Les résultats expérimentaux sur les ensembles de données KDD_NSL montrent que le modèle proposé peut grandement améliorer la précision de la détection des intrusions dans les systèmes e Learning.

Intrusion detection in e-learning systems is a crucial aspect of the security of these platforms. Currently, popular detection technologies rely on traditional machine learning algorithms to train intrusion detection models from samples. However, these methods often have relatively low detection rates. Deep learning represents a significant advance, enabling the automatic extraction of relevant features from samples. Faced with the limited accuracy of traditional methods, this study proposes an intrusion detection model in e-learning systems based on a convolutional neural network (CNN). This model is designed to efficiently extract features from intrusion samples, thereby improving the accuracy of the classification process. Experimental results on KDD_NSL datasets show that the proposed model can greatly improve the accuracy of intrusion detection in eLearning systems. كشف التسلل في أنظمة التعليم الإلكتروني هو جانب حيوي من جوانب أمان هذه المنصات. حاليًا، تعتمد تقنيات الكشف الشائعة على خوارزميات التعلم الآلي التقليدية لتدريب نماذج كشف التسلل من العينات. ومع ذلك، غالبًا ما تكون معدلات الكشف لتلك الطرق منخفضة نسبيًا. يمثل التعلم العميق تقدمًا كبيرًا، حيث يتيح الاستخراج التلقائي للميزات ذات الصلة من العينات. وبالنظر إلى الدقة المحدودة للطرق التقليدية، تقترح هذه الدراسة نموذجًا لكشف التسلل في أنظمة التعليم الإلكتروني يعتمد على الشبكات العصبية التلافيفية (CNN). تم تصميم هذا النموذج لاستخراج الميزات بكفاءة من عينات التسلل، وبالتالي تحسين دقة عملية التصنيف. أظهرت النتائج التجريبية على مجموعات بيانات KDD_NSL أن النموذج المقترح يمكن أن يحسن بشكل كبير دقة كشف التسلل في أنظمة التعليم الإلكتروني.