Please use this identifier to cite or link to this item:
Full metadata record
DC FieldValueLanguage
dc.contributor.authorLabed, Abdel Djalil-
dc.description.abstractThe first and the last thing is for Allah Who Provided me the sufficient capacity to finish this work. I would like to express my thanks for the great support from many people, without whom this thesis would not have been possible. I would like to express uttermost gratitude to my supervisor Prof Abdelmalik Bachir for his guidance, advice and effort, which have been essential at every stage of my research and shaped the thesis. Also I am very thankful to my friends Labed Ayoub, Labed Fathi, Labed Nadir, Labed Kamel, Rabie Bouchamie, Labed Saleh, Labed Taher, Labed Mohamed Mohyeddine, Ben Nacer Mostafa, Hadef Mehdi, Redjimi Adel, Noureddine Houssem Eddine, Kherachi Fadia, Amina Rouina, Samah Merabti, Labed Razgallah, Ben Terki Aboubaker Seddiq, EL Hamel Soheib, Ben Hammed Radoune for the friendship, inspiration, and encouragement during my research. Most importantly, I would like to thank my mother Labed Samia, my father Mansouf, my grandpa Azzedine and grandma Bachra for their constant support, encouragement, and motivation, which enabled me to overcome any difficulties I encountered during my research At last thanks go to my family members Mohamed, Hadjer and Rinad for their companion and the great happiness they brought. Un système de d´etection d’intrusion réseau est un syst`eme de s´ecurit´e utilis´e pour prot´eger un environnement r´eseau contre les activit´es malveillantes et l’acc`es non autoris´e aux p´eriph´eriques en g´en´erant des rapports pour l’administrateur du syst`eme. Dans notre projet, nous proposons une approche d’apprentissage en profondeur pour la d´etection d’intrusion `a l’aide d’un r´eseau neuronal profond (DNN-IDS). Nous applicons notre proposition sur NSL-KDD (un ensemble de donn´ees de r´ef´erence pour l’intrusion r´eseau). De plus, nous ´etudions les performances du mod`ele avec des classifications binaire et multiclasse. Le mod`ele de classification binaire identifie si le comportement du trafic r´eseau est normal ou anormal. Le mod`ele de classification multiclasse vise classer le traffic dans une des cinq cat´egories suivantes: (Normal, Deni de Service, User to Root, Probe, Remote to Local). Pour valider notre proposition, nous la comparons avec les m´ethodes de pointe de classification d’apprentissage automatique dans les deux situations: classification binaire et multiclasse. Les r´esultats des exp´erimentations ont prouv´e que l’approche propos´ee se comporte tr`es bien par rapport aux NIDSs pr´ec´edemment mis en oeuvre.en_US
dc.titleIntelligent Network Intrusion Detection Systemsen_US
Appears in Collections:Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie (FSESNV)

Files in This Item:
File Description SizeFormat 
Labed-Abdel-Djalil.pdf4,3 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.