Détection non-supervisée d'anomalies dans le trafic réseau grâce à une approche se basant sur le Double Deep Q-Learning - Archive ouverte HAL Accéder directement au contenu
Poster De Conférence Année : 2024

Détection non-supervisée d'anomalies dans le trafic réseau grâce à une approche se basant sur le Double Deep Q-Learning

Bogdan Szanto
  • Fonction : Auteur
  • PersonId : 1396834

Résumé

Les systèmes de détection d'intrusion (IDS) basés sur l'apprentissage profond se sont révélés performants mais peinent à apprendre en continu et à détecter de nouvelles attaques au fil du temps en raison d'une fonction de récompense supervisée basée sur des étiquettes. Dans ce poster, nous présentons une méthode non supervisée d'apprentissage double Q profond (DDQL) qui vise à détecter les attaques et à apprendre de nouveaux comportements grâce une fonction de récompense non supervisée utilisant un score de normalité inspiré de la détection des anomalies du trafic automobile.
Fichier principal
Vignette du fichier
Poster phD.pdf (273.72 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04631046 , version 1 (01-07-2024)

Licence

Identifiants

  • HAL Id : hal-04631046 , version 1

Citer

Bilel Saghrouchni, Frédéric Le Mouël, Bogdan Szanto. Détection non-supervisée d'anomalies dans le trafic réseau grâce à une approche se basant sur le Double Deep Q-Learning. Journée Scientifique AILyS, Jun 2024, Lyon, France. ⟨hal-04631046⟩
15 Consultations
13 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More