Apprentissage fédéré pour la détection des intrusions

Résumé

Avec la croissance rapide des technologies de l’information, en particulier des formes de communication et des médias sociaux, un nombre toujours croissant d’inventions sont interconnectées à davantage d’appareils, ce qui peut conduire à la divulgation d’informations précieuses. Par conséquent, toute personne utilisant un appareil associé à Internet est vulnérable face aux dangers que représentent les prédateurs en ligne. Les problèmes de cybersécurité constituent un combat quotidien face à l’apparition d’attaques toujours plus agressives et brutales. De nombreux appareils ont du mal à programmer les mises à jour automatiques; ils manquent de réactivité comme le recours aux systèmes de détection d’intrusion (IDS) pour déceler toute vulnérabilité. Par conséquent, une nouvelle approche de détection d’intrusion s’impose comme un réel besoin en matière de cybersécurité permettant également d’appréhender les attaques cybernétiques sophistiquées les moins prédictibles. Mon mémoire s’intéresse à ce domaine. En effet, il porte sur une forte implication des techniques modernes de l’intelligence artificielle pour la détection d’intrusions et plus précisément la classification des attaques réseau. Ainsi, ce rapport fournit des réalisations dont le but est de procurer de nouvelles alternatives en matière de détection d’attaques grâce à l’apprentissage fédéré qui va permettre de préserver les informations sensibles des utilisateurs. Les objectifs de ce mémoire sont de rechercher, collecter des jeux de données, préparer des données, modéliser et évaluer des modèles fédérés pour la détection d’intrusions réseau. Nous avons réussi à implémenter l’apprentissage fédéré avec deux types de classifications. Une classification binaire utilisant un modèle réseau neuronal convolutif fédéré sur le jeu de données IDS2017 et deux classifications multi-classe avec un perceptron multicouche fédéré sur le jeu de données IDS2018. Pour ces deux types de classifications, quatre stratégies du choix du client ont été utilisé. Tous les clients sont sélectionnés, les clients sont choisis au hasard, sélection en fonction des types d’attaques ou en fonction des systèmes d’exploitation pendant un tour. les résultats obtenus pour la classification binaire avec les quatre stratégies ont bien fonctionné avec une précision allant de 87% jusqu’à 93% pour la stratégie où tous les clients sont sélectionnés et en fonction des types d’attaques . Pour la classification multi-classe le meilleur résultat obtenu est avec la sélection de tous les clients avec une précision de 90%. Cela montre même dans un environnement réel où des machines qui tombent en panne ou des coupures de courant peuvent survenir, l’apprentissage fédéré reste efficace et robuste dans ces situations.

Date	15 févr. 2022
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Chamseddine Talhi (Directeur(-trice))