A deep learning-based Botnet detection system

Abstract

Les botnets constituent une menace primaire pour la sécurité d’Internet, un botnet est un groupe d’ordinateurs ou de dispositifs sous le contrôle d’un attaquant, utilisés pour mener des activités malveillantes contre une victime ciblée. Dans ce travail, nous présentons une approche d'apprentissage en profondeur pour la détection de botnets basée sur les réseaux de neurones convolutifs (CNN). Notre système de détection de botnet proposé est implémenté en tant que modèle basé sur 1D-CNN qui est testé sur l'ensemble de données de botnet CICIDS2017, qui comprend 191033 trafic bénin et 1966 botnet trafic. Selon nos résultats, nous pouvons détecter les robots avec une grande précision et une faible perte et c’est par le modèle que nous avons proposé. Botnets constitute a primary threat to Internet security, a botnet is a group of computers or devices under the control of an attacker, used to carry out malicious activities against a targeted victim. In this work, we present a deep learning approach for botnet detection based on Convolutional Neural Networks (CNN). Our proposed botnet detection system is implemented as a 1D-CNN-based model that is tested on the CICIDS2017 botnet dataset, which includes 191033 benign traffic and 1966 Botnet traffic. According to our findings, we can detect robots with high accuracy and low loss and this is by the model we have proposed. تشكل شبكات البوتات تهديدًا رئيسيًا لأمن الإنترنت، البوتنت هو مجموعة من أجهزة الكمبيوتر أو الأجهزة تحت سيطرة المهاجم، تُستخدم لتنفيذ أنشطة ضارة ضد ضحية مستهدفة. في هذا العمل، نقدم نهجًا للتعلم العميق للكشف عن شبكات البوتات بناءً على الشبكات العصبية التلافيفية (CNN). نظام الكشف عن البوتات المقترح لدينا مُنفذ كنموذج قائم على 1D-CNN وتم اختباره على مجموعة بيانات CICIDS2017 للبوتنت، والتي تشمل 191033 حركة مرور طبيعية و1966 حركة مرور بوتنت. وفقًا لنتائجنا، يمكننا اكتشاف الروبوتات بدقة عالية وخسارة منخفضة، وذلك باستخدام النموذج الذي اقترحناه.