Amélioration des Systèmes de Détection d'Intrusion à l'aide de techniques de Deep Learning et les Mécanismes d'Attention

Abstract

La mont´ee des cybermenaces et la sophistication croissante des attaques rendent n´ecessaire la mise en oeuvre de syst`emes de d´etection d’intrusions (IDS) `a mˆeme de s’adapter `a une grande vari´et´e de donn´ees r´eseau. Les techniques de d´etection classique, bien que performantes, r´ev`elent cependant leurs limites face `a des attaques complexes et en constante ´evolution. Ce projet de Master se propose d’int´egrer une approche innovante notamment en recourant aux m´ecanismes d’attention, tir´es des recherches en intelligence artificielle et traitement du langage naturel, afin de contribuer `a l’am´elioration des dispositifs IDS concernant leur capacit´e de d´etection des comportements anormaux du r´eseau. L’approche vis´ee s’appuie sur des m´ecanismes d’attention pour focaliser les ressources de calcul sur les segments critiques du flux de donn´ees r´eseau, favorisant ainsi la d´etection d’anomalies dans les r´eseaux, `a la fois rapides et efficaces. Elle sera conjointement mise en oeuvre avec des techniques de deep learning comme les r´eseaux neuronaux r´ecurrents (RNN) ou les Transformers, en vue de mieux mod´eliser les interactions complexes/combinaison entre les paquets de donn´ees afin de mieux d´etecter de mod`eles malveillants. Le syst`eme propos´e sera ´evalu´e sur diff´erents jeux de donn´ees standard d’intrusions, permettant d’en tester l’efficacit´e par rapport aux approches classiques.