Etudiant : SANGARE BOUBACAR DIAM

Filière : Master Big Data Analytics & Smart Systems (BDSaS)

Encadrant : Pr. EL-BATTEOUI ISMAIL

Annèe : 2024

Résumé : Dans les dernières années, les systèmes d'information sont devenus essentiels pour le fonctionnement des entreprises et des organisations, jouant un rôle crucial dans la gestion des données et des opérations. Parallèlement, les réseaux informatiques, partie intégrante de notre vie quotidienne, ont vu leur usage exploser. Cependant, avec le développement des réseaux informatiques, une série de types d'attaques cybernétiques ont émergé. Il est donc essentiel de mettre en place un système capable de détecter ces attaques afin de protéger les informations importantes et d'assurer la continuité de la communication. Ainsi, les systèmes de détection d’intrusion (IDS) ont fait l’objet de nombreuses recherches et jouent un rôle crucial dans la cybersécurité. L’objectif de ce mémoire est de modéliser un tel système pour aider les administrateurs à détecter et à identifier toute violation de la sécurité dans leur organisation, afin de les prévenir avant qu'elles ne causent des dommages. Pour ce faire, nous avons étudié les performances des méthodes d’apprentissage profond appliquées à la détection d'intrusions et surtout l’application des Transformers dans ce domaine. Plus précisément, nous avons exploré l'application du domaine de la vision à ces systèmes, en nous basant sur le travail de Mr. Kin-Choong Yow et Mme Chi Mai Kim Ho. La méthode proposée par ces auteurs consiste à convertir les flux de données réseau en images RGB. Étant donné que toutes les caractéristiques des données réseau ne sont pas pertinentes pour la détection des attaques, une phase de sélection des caractéristiques pertinentes est nécessaire. Cela permet d'extraire un maximum d'informations utiles pour la tâche. Grâce à ces caractéristiques pertinentes, nous pouvons former nos images. Ensuite, en appliquant un mécanisme de fenêtrage et de chevauchement, nous pouvons convertir la taille variable des entrées en une image de taille standard. Cette image est ensuite utilisée comme entrée pour un modèle d'apprentissage profond, le Vision Transformer (VIT).