D'une part, les systèmes de détection d'intrusions réseau (NIDS) basés sur l'apprentissage automatique nécessitent parfois une expertise et une expérimentation approfondies. Cela rend les performances sous-optimales dans les environnements réseau complexes. D'autre part, l'apprentissage profond, malgré sa puissance, peine à gérer les données déséquilibrées. Cela entraîne un biais en faveur du trafic normal et une efficacité réduite dans la détection des attaques rares.

Pour résoudre ce problème, les chercheurs proposent une méthode combinant l'apprentissage contrastif et le modèle bayésien-gaussien de mélange (BGMM). Grâce à cette méthode, ils peuvent automatiquement identifier les similitudes au sein du trafic normal et les différences entre le trafic normal et le trafic malveillant, générant ainsi des représentations de caractéristiques distinctes et robustes.

En savoir plus: https://cybersecurity.springeropen.com/articles/10.1186/s42400-025-00364-7

Auteurs : Liyou Liu et Ming Xu