Détection non-supervisée d'anomalies dans le trafic réseau grâce à une approche se basant sur le Double Deep Q-Learning
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.
Origine | Fichiers produits par l'(les) auteur(s) |
---|