Comparative study of network data analysis platforms and performance evaluation of intrusion detection based on artificial intelligence (AI) techniques

Abstract

Intrusion Detection Systems (IDS) are essential components for securing modern computer networks against increasingly sophisticated cyberattacks. With the rapid evolution of cloud-native infrastructures and distributed computing environments, traditional rule-based detection methods have become insufficient to address current cybersecurity challenges. This thesis presents a state of the art of recent advances in network intrusion detection systems, focusing on feature extraction tools and artificial intelligence-based approaches. It explores the main stages of IDS pipelines, including network traffic analysis, feature extraction, data preprocessing, data augmentation and machine learning-based classification. The thesis analyzes recent approaches addressing class imbalance in intrusion detection datasets, with particular focus on generative techniques for synthetic data generation. Furthermore, it reviews machine learning and deep learning models also Transformerbased architectures commonly applied in IDS. The strengths and limitations of these approaches are discussed in the context of modern cybersecurity requirements. Overall, this thesis provides a comprehensive overview of recent Ai techniques used in intrusion detection systems, highlighting the evolution from traditional rule-based methods to data-driven, generative, and deep learning approaches in modern cybersecurity environments.***

Les systèmes de détection d’intrusion (IDS) sont des composantes essentielles de la sécurisation des réseaux informatiques modernes contre les cyberattaques de plus en plus sophistiquées. Face à l’évolution rapide des infrastructures cloud-native et des environnements de calcul distribué, les méthodes de détection traditionnelles basées sur des règles sont devenues insuffisantes pour relever les défis actuels en matière de cybersécurité. Cette mémoire présente un état de l’art des avancées récentes dans les systèmes de détection d’intrusion réseau, en mettant l’accent sur les outils d’extraction de caractéristiques et les approches basées sur l’intelligence artificielle. Elle explore les principales étapes des pipelines IDS, notamment l’analyse du trafic réseau, l’extraction de caractéristiques, le prétraitement des données, l’augmentation des données et la classification par apprentissage automatique. La mémoire analyse les approches récentes permettant de traiter le déséquilibre des classes dans les ensembles de données de détection d’intrusion, en particulier les techniques génératives pour la génération de données synthétiques. De plus, elle passe en revue les modèles d’apprentissage automatique et d’apprentissage profond, ainsi que les architectures basées sur les Transformers, couramment utilisées dans les IDS. Les forces et les limites de ces approches sont discutées dans le contexte des exigences actuelles en matière de cybersécurité. Globalement, cette mémoire offre un aperçu complet des techniques d’IA récentes utilisées dans les systèmes de détection d’intrusion, en soulignant l’évolution des méthodes traditionnelles basées sur des règles vers des approches axées sur les données, génératives et d’apprentissage profond dans les environnements de cybersécurité modernes.