Published January 1, 2019
| Version v1
Publication
Open
Deep Learning Techniques for Cyber Security Intrusion Detection : A Detailed Analysis
- 1. University of Guelma
- 2. De Montfort University
Description
In this study, we present a detailed analysis of deep learning techniques for intrusion detection.Specifically, we analyze seven deep learning models, including, deep neural networks, recurrent neural networks, convolutional neural networks, restricted Boltzmann machine, deep belief networks, deep Boltzmann machines, and deep autoencoders.For each deep learning model, we study the performance of the model in binary classification and multiclass classification.We use the CSE-CIC-IDS 2018 dataset and TensorFlow system as the benchmark dataset and software library in intrusion detection experiments.In addition, we use the most important performance indicators, namely, accuracy, detection rate, and false alarm rate for evaluating the efficiency of several methods.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
في هذه الدراسة، نقدم تحليلاً مفصلاً لتقنيات التعلم العميق للكشف عن التسلل. على وجه التحديد، نقوم بتحليل سبعة نماذج للتعلم العميق، بما في ذلك الشبكات العصبية العميقة، والشبكات العصبية المتكررة، والشبكات العصبية الالتفافية، وآلة بولتزمان المقيدة، وشبكات المعتقدات العميقة، وآلات بولتزمان العميقة، والمشفرات التلقائية العميقة. لكل نموذج تعلم عميق، ندرس أداء النموذج في التصنيف الثنائي والتصنيف متعدد الفئات. نستخدم مجموعة بيانات CSE - CIC -IDS 2018 ونظام TensorFlow كمجموعة بيانات مرجعية ومكتبة برامج في تجارب الكشف عن التسلل. بالإضافة إلى ذلك، نستخدم أهم مؤشرات الأداء، وهي الدقة ومعدل الكشف ومعدل الإنذار الكاذب لتقييم كفاءة عدة طرق.Translated Description (French)
Dans cette étude, nous présentons une analyse détaillée des techniques d'apprentissage profond pour la détection d'intrusion. Spécifiquement, nous analysons sept modèles d'apprentissage profond, y compris les réseaux de neurones profonds, les réseaux de neurones récurrents, les réseaux de neurones convolutifs, la machine de Boltzmann restreinte, les réseaux de croyances profondes, les machines de Boltzmann profondes et les autoencodeurs profonds. Pour chaque modèle d'apprentissage profond, nous étudions la performance du modèle dans la classification binaire et la classification multiclasse. Nous utilisons l'ensemble de données CSE-CIC-IDS 2018 et le système TensorFlow comme ensemble de données de référence et bibliothèque logicielle dans les expériences de détection d'intrusion. En outre, nous utilisons les indicateurs de performance les plus importants, à savoir, la précision, le taux de détection et le taux de fausse alarme pour évaluer l'efficacité de plusieurs méthodes.Translated Description (Spanish)
En este estudio, presentamos un análisis detallado de las técnicas de aprendizaje profundo para la detección de intrusiones. Específicamente, analizamos siete modelos de aprendizaje profundo, que incluyen redes neuronales profundas, redes neuronales recurrentes, redes neuronales convolucionales, máquina de Boltzmann restringida, redes de creencias profundas, máquinas de Boltzmann profundas y autoencoders profundos. Para cada modelo de aprendizaje profundo, estudiamos el rendimiento del modelo en clasificación binaria y clasificación multiclase. Utilizamos el conjunto de datos CSE-CIC-IDS 2018 y el sistema TensorFlow como conjunto de datos de referencia y biblioteca de software en experimentos de detección de intrusiones. Además, utilizamos los indicadores de rendimiento más importantes, a saber, precisión, tasa de detección y tasa de falsas alarmas para evaluar la eficiencia de varios métodos.Files
126_Ferrag.pdf.pdf
Files
(172.0 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:41a53beedaa8357ed5ffdd0fbdf10b9b
|
172.0 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تقنيات التعلم العميق للكشف عن تسلل الأمن السيبراني: تحليل مفصل
- Translated title (French)
- Techniques d'apprentissage approfondi pour la détection des intrusions dans la cybersécurité : une analyse détaillée
- Translated title (Spanish)
- Técnicas de aprendizaje profundo para la detección de intrusiones de ciberseguridad: un análisis detallado
Identifiers
- Other
- https://openalex.org/W2980609871
- DOI
- 10.14236/ewic/icscsr19.16
References
- https://openalex.org/W125869453
- https://openalex.org/W177847060
- https://openalex.org/W1973445088
- https://openalex.org/W2016258134
- https://openalex.org/W2097117768
- https://openalex.org/W2110485445
- https://openalex.org/W2118706537
- https://openalex.org/W2194775991
- https://openalex.org/W2215862420
- https://openalex.org/W2271053476
- https://openalex.org/W2414564754
- https://openalex.org/W2541841318
- https://openalex.org/W2549585799
- https://openalex.org/W2565516711
- https://openalex.org/W2584408238
- https://openalex.org/W2585582797
- https://openalex.org/W2743475759
- https://openalex.org/W2762776925
- https://openalex.org/W2767895109
- https://openalex.org/W2783741806
- https://openalex.org/W2789420469
- https://openalex.org/W2792015048
- https://openalex.org/W2885478531
- https://openalex.org/W2889109290
- https://openalex.org/W2893263387
- https://openalex.org/W2896303598
- https://openalex.org/W2906714766
- https://openalex.org/W2914502888
- https://openalex.org/W2921364842
- https://openalex.org/W2962949934
- https://openalex.org/W2997574889
- https://openalex.org/W4205947740
- https://openalex.org/W4231724423
- https://openalex.org/W4238620370
- https://openalex.org/W4243100117
- https://openalex.org/W4249067596
- https://openalex.org/W4252629388
- https://openalex.org/W4254390897
- https://openalex.org/W4302055990