Etudiant : EL MARHRAOUI AMINE MOHAMED

Filière : LF Sciences Mathématiques et Informatique

Encadrant : Pr. RIFFI JAMAL

Annèe : 2024

Résumé : Notre étude a exploré l'efficacité des réseaux de neurones convolutionnels (CNN) dans la détection des virus informatiques en se basant sur la Dataset de Malimg. Grâce à une analyse approfondie des caractéristiques visuelles des images de codes malveillants, nous avons pu entraîner un modèle CNN capable d'identifier avec précision les menaces potentielles. Nos résultats démontrent que l'utilisation de CNN pour la détection des virus informatiques offre plusieurs avantages significatifs. En exploitant les capacités de convolution des réseaux neuronaux, notre modèle a pu apprendre des représentations hautement discriminantes des fichiers malveillants, surpassant ainsi les méthodes traditionnelles de détection basées sur des signatures. De plus, l'utilisation de Dataset de Malimg s'est avérée être un choix judicieux, offrant une diversité représentative des types de malware rencontrés dans des environnements réels. Cela a permis à notre modèle de généraliser efficacement et de détecter des menaces inconnues avec une précision satisfaisante. Cependant, notre étude n'est pas sans limites. Bien que les CNN offrent une performance prometteuse, ils nécessitent des ressources computationnelles considérables pour l'entraînement et le déploiement, ce qui peut être un défi dans certains contextes. De plus, la détection de nouvelles variantes de malware reste un domaine de recherche en évolution constante, nécessitant une surveillance continue et des mises à jour fréquentes du modèle. En fin de compte, notre travail ouvre la voie à de nouvelles possibilités dans le domaine de la cybersécurité en combinant efficacement les techniques de vision par ordinateur et d'apprentissage profond pour détecter les menaces informatiques. Nous espérons que nos résultats encourageront d'autres chercheurs à explorer davantage cette approche innovante pour renforcer la sécurité des systèmes informatiques contre les attaques malveillantes.