Book

L'évolution rapide des technologies numériques et la croissance exponentielle des volumes de données échangées sur les réseaux informatiques ont entraîné une augmentation significative des cyberattaques, rendant indispensable le développement de systèmes de détection d'intrusions performants. Ce mémoire présente un système intelligent de détection d’intrusion fonde sur l’apprentissage automatique et utilisant l’algorithme Support Vector machine (SVM) sur un grand volume de données provenant de la base NSL-KDD. La méthodologie utilisée consiste tout d’abord en un prétraitement des données (nettoyage, encodage des variables catégorielles et normalisation), puis un équilibrage des classes par la technique de SMOTE. Le modèle SVM avec noyau RBF (Radial Basis Function) et en suite  entrainé et testé sur des données propres, puis sur des données empoisonnées afin d’analyser sa robustesse face aux attaques de Data Poisoning. Les résultats expérimentaux montrent que le modèle atteint une Accuracy de 96,7 % ainsi qu’un F1-score de 96,79% sur les données propres. Apres avoir introduit les données empoisonnées, les performances restent élevées avec une Accuracy de 96,63% et une F1-score de 96,63% soit  une baisse limitée de 0,16 %. L’analyse des matrices de confusion montre le modèle garde une très bonne capacité à détecter les intrusions avec un très faible nombre de faux négatifs et faux positifs.Ces résultats montrent que l’algorithme SVM détecte efficacement, de façon relativement robuste, les intrusions dans les réseaux informatiques, même lorsqu’il est confronté à une attaque par empoisonnement des données d’entrainement. Cette étude montre l’intérêt qu’il y a à appliquer l’apprentissage automatique à un grand volume de données afin de renforcer les  mécanismes de cybersécurité et de participer à la protection des infrastructures numériques contre les menaces émergentes.