Un apprentissage fédéré avec une sélection de clients pour la détection d’intrusions réseau

Résumé

Une quantité toujours plus large de données sensibles sont produites et stockées sur des machines personnelles. La vision centralisée qui prévalait auparavant en apprentissage automatique est donc en train de changer et un fort accent est mis sur la vie privée. Ces données importantes peuvent aider les chercheurs à analyser et à comprendre des phénomènes et des modèles intéressants. Bien que les avantages d’un traitement massif de ces données soient incontestables, ils représentent malheureusement une menace considérable pour la vie privée des utilisateurs qui peuvent subir des conséquences importantes. L’objectif principal est d’étudier le problème de la confidentialité des données des utilisateurs privés et de proposer des solutions qui préservent la vie privée. Les méthodes d’apprentissage automatique standard exigent que les données d’apprentissage soient centralisées en un seul endroit. L’un des objectifs est de concevoir, de mettre en oeuvre et d’évaluer des méthodes fédérées novatrices et pratiques d’analyse des données privées. Différents ensembles de données, avec des structures différentes et parfois complexes, seront pris en compte. Dans ce cadre, nous proposons l’apprentissage fédéré ou encore federated learning une orientation prometteuse qui utilise une approche décentralisée sur un jeu de données connu dans la littérature. Pour ce faire, toutes les entités participantes, comme les utilisateurs d’un téléphone intelligent, doivent partager leurs ensembles de données. L’apprentissage fédéré permet à différentes entités d’apprendre en collaboration un modèle de prévision partagé sans partager leurs données locales. Nous étudierons les méthodes existantes basées sur une approche d’apprentissage profond pour la détection d’intrusions sur le réseau. Enfin, nous offrons une solution au problème posé en proposant une optimisation d’un algorithme d’apprentissage distribué s’appuyant sur deux paradigmes d’apprentissage existant les autoencoders et l’apprentissage fédéré. Nous détaillerons notre approche, son implémentation en comparant ses performances avec les méthodes existantes.

Date	7 févr. 2020
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Chamseddine Talhi (Directeur(-trice))