Build an Intrusion Detection System on a Raspberry Pi

Abstract

Ce projet porte sur la conception et l’implémentation d’un système de détection d'intrusion hybride (IDS) déployé sur un Raspberry Pi 5. Le système combine des outils traditionnels basés sur les signatures, tels que Snort et Suricata, avec un modèle d’apprentissage profond entraîné sur le jeu de données CSE-CIC-IDS2018 pour améliorer la précision de détection. Une interface web, développée avec Flask, permet une surveillance,la visualisation des alertes. Diverses attaques informatiques ont été simulées (DoS, Heartbleed, scans de ports) pour évaluer les performances du système. Les résultats expérimentaux montrent une précision élevée de détection avec un faible taux de faux positifs, validant ainsi la faisabilité d’un IDS intelligent sur des appareils à faibles ressources. Le projet démontre le potentiel de l'intégration de l'apprentissage automatique avec des outils IDS open-source dans des réseaux à petite échelle ou IoT. This project focuses on the design and implementation of a hybrid Intrusion Detection System (IDS) deployed on a Raspberry Pi 5. The system combines traditional signature-based tools such as Snort and Suricata with a deep learning model trained on the CSE-CIC-IDS2018 dataset to enhance detection accuracy. A web interface built with Flask provides remonitoring and visualization of alerts. Various cyberattacks were simulated—including DoS, Heartbleed, and port scans—to evaluate the system’s effectiveness. Experimental results demonstrate high detection accuracy and low false positive rates, validating the feasibility of deploying intelligent IDS solutions on resource-constrained devices. The project highlights the potential of integrating machine learning with open-source IDS tools for small-scale or IoT-based networks.