Data-driven Evaluation of Network Intrusion Detection Systems

Évaluation orientée données des systèmes de détection d’intrusion dans les réseaux Les systèmes de détection d'intrusions (IDS) sont des composants critiques pour sécuriser les réseaux de communication modernes, en particulier à mesure que les menaces cybernétiques deviennent plus complexes. Cependant, les méthodologies d'évaluation existantes pour les IDS basés sur l'apprentissage automatique manquent de standardisation, ce qui entraîne des évaluations incomplètes et peu fiables. Les approches d'évaluation antérieures négligent souvent les bonnes pratiques en matière d'apprentissage automatique, se concentrant principalement sur les performances dans des jeux de données spécifiques sans prendre en compte des problèmes plus larges tels que la qualité des données et la robustesse. Cette thèse s'attaque à ces limitations en définissant d'abord un cadre théorique complet pour évaluer les IDS basés sur le ML. S'appuyant sur cette théorisation, nous introduisons FREIDA, un outil qui implémente le cadre théorique, en mettant l'accent sur la complétude, la fiabilité et la reproductibilité. FREIDA intègre à la fois les méthodes d'évaluation traditionnelles des IDS et les bonnes pratiques en apprentissage automatique, en se concentrant particulièrement sur la relation critique entre la sélection des données et les choix d'évaluation. Avec FREIDA, nous introduisons également la formalisation de chaque étape du processus d'évaluation pour garantir la rigueur méthodologique. En standardisant tous les aspects du processus d'évaluation, y compris la génération des jeux de données spécifiques à un but, FREIDA assure des conditions de test robustes et évalue systématiquement les performances des IDS dans divers scénarios. Notre approche étend également le processus d'évaluation pour inclure l'évaluation de la robustesse face aux attaques adverses et de la confidentialité, offrant une évaluation plus holistique de la résilience des IDS. FREIDA propose une plateforme pratique et facile à utiliser avec une interface graphique, rendant les évaluations complètes des IDS accessibles. Des expériences approfondies menées à l'aide d'ensembles de données établis démontrent l'efficacité de l'outil, en particulier pour améliorer la reproductibilité et évaluer les performances des IDS dans des conditions variées, y compris les menaces visant les modèles d'apprentissage automatique. Grâce à la formalisation et à la mise en œuvre de notre cadre d'évaluation, nous visons à standardiser les méthodes d'évaluation des IDS et à favoriser le développement de systèmes de détection d'intrusions résilients et adaptatifs pour les réseaux de nouvelle génération. L'outil, le code source et les résultats expérimentaux sont disponibles sur Gitlab, soutenant ainsi des recherches supplémentaires et promouvant la transparence dans les pratiques d'évaluation des IDS.