Vers un framework d'évaluation de réseau et de recommendation basés sur l'intelligence artificielle

Toward an AI-based framework for network assessment and recommendation

• Auteur / Autrice : Zineb Maasaoui
• Direction : Ahmed Lbath, Abdella Battou
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/04/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Grenoble
• Partenaire(s) de recherche : Equipe de recherche : MRIM - Modélisation et recherche d'information multimédia.

Mots clés

Mots clés libres

Modèles de prédiction

Réseaux

Réseau électrique intelligent

Machine learning

Network

Smart Grid

Prediction models

Machine learning

Résumé

Au cours de ces dernières années, la gestion du trafic réseau et les risques de la cybersécurité sont devenus de plus en plus fréquents et l'étude de la performance des réseaux demeure essentielle pour intercepter les différentes attaques. Avec l'augmentation de la communication et du trafic internet, les menaces deviennent plus importantes et leurs conséquences peuvent être tragiques. De plus, la complexité de la métrologie des réseaux complique la gestion, l'étude et la prévention des futures attaques. En outre, avec l'apparition de l'apprentissage automatique et de l'intelligence artificielle, les anciennes méthodes d'analyse de la sécurité sont devenues obsolètes. Dans ce travail, nous voulons introduire un cadre dédié à l'évaluation de la sécurité des réseaux et à la surveillance en temps réel du trafic. Nous allons nous concentrer sur l'apprentissage automatique appliqué à la cybersécurité. Notre objectif principal est d'évaluer l'efficacité des différentes méthodes d'apprentissage automatique dans l'identification des menaces et d'éliminer les cybermenaces dans les systèmes d'entreprise et en temps réel.

Over the past years, network traffic management and cyber security risks have become more important and the study of network performance remains essential to intercept different attacks. As the communication over networks increases, threats become high and a single intrusion may cost the entire network. Furthermore, the complexity of the network metrology makes it hard to manage, study and prevent future attacks. And, with the appearance of machine learning and artificial intelligence, the old security analysis methods have become obsolete. In this work, we intend to introduce a framework dedicated to network security assessment and real time monitoring. we will focus on machine learning applied to cyber security. Our main goal is to evaluate the efficiency of different machine learning methods in threats identification and eliminate real time cyber threats in enterprise systems. The idea is to collect data and train our machine learning models to detect threats then apply the result on real time network traffic. We first collected network logs using zeek. Then, we simulated cyber attacks and collected the traffic data. After that, we stored this data in an appropriate database. In this study, our goal is to train different machine learning models and investigate how we can make this trained model detect real time threats.