Cet article a comparé et analysé des modèles d'apprentissage automatique adaptés aux systèmes de détection d'intrusions (IDS) à l'aide de l'ensemble de données CICIDS2017. Quatre modèles – un perceptron multicouche (MLP), un réseau neuronal convolutif unidimensionnel (CNN), une machine à vecteurs de support à une classe (OCSVM) et un facteur de valeur aberrante locale (LOF) – ont été évalués dans deux scénarios : détection d'attaques existantes et généralisation à des menaces inconnues. Le MLP et le CNN basés sur l'apprentissage supervisé ont atteint une précision quasi parfaite pour les attaques existantes, mais ont considérablement réduit le rappel pour les nouvelles attaques. Le LOF basé sur l'apprentissage non supervisé a atteint une précision globale modérée mais un rappel élevé pour les menaces inconnues, mais a souffert d'un taux de fausses alarmes élevé. L'OCSVM a atteint le meilleur équilibre entre précision et rappel, démontrant des performances de détection robustes dans les deux scénarios.
