EINSEIGNEMENT
Intelligence Artificielle et cybersécurité
Explorez le potentiel de l’intelligence artificielle au service de la cybersécurité pour anticiper, détecter et répondre aux menaces de demain.
Grâce aux possibilités d’adaptation locale du BUT et aux travaux de plusieurs enseignants-chercheurs à l’intersection de l’intelligence artificielle et de la cybersécurité, plusieurs départements proposent désormais des enseignements dédiés à ce domaine
Notions abordées
Machine Learning : l’analyse statistique et comportementale
Le Machine Learning (apprentissage automatique) repose sur de solides fondements mathématiques, exploitant les probabilités, les statistiques et des algorithmes de classification (tels que les arbres de décision, les forêts aléatoires ou les machines à vecteurs de support) pour extraire des modèles à partir de données historiques. Dans le contexte de la cyberdéfense, cette approche algorithmique excelle dans la détection d’anomalies. En ingérant des volumes massifs de journaux d’événements, les modèles de Machine Learning établissent une ligne de base du comportement normal des utilisateurs et des entités du réseau (UEBA – User and Entity Behavior Analytics). Ils sont ainsi capables de repérer avec une grande précision des déviations subtiles, statistiques ou probabilistes, telles qu’une connexion à une heure inhabituelle, une escalade de privilèges ou un transfert de données atypique, qui échapperaient aux règles de détection traditionnelles basées sur des signatures.
Deep Learning : puissance d’analyse brute et défis d’explicabilité
Le Deep Learning (apprentissage profond), fondé sur des architectures complexes de réseaux de neurones artificiels multicouches, repousse les limites des modèles statistiques traditionnels. Son intérêt majeur par rapport au Machine Learning classique réside dans sa capacité à traiter directement des données brutes et non structurées (comme les trames de trafic réseau brut, ou les séquences d’octets d’un fichier exécutable) en s’affranchissant de l’extraction manuelle des caractéristiques (feature engineering). En cybersécurité, il s’avère très efficace pour détecter des malwares polymorphes ou identifier des flux générés par des botnets. Cependant, son déploiement présente des inconvénients notables : son architecture en « boîte noire » rend l’explicabilité des décisions extrêmement difficile, ce qui complique la tâche des analystes devant justifier ou investiguer un faux positif. De plus, sa dépendance à des volumes colossaux de données d’entraînement et à une puissance de calcul massive le rend souvent plus lourd à implémenter que les algorithmes de Machine Learning plus légers et interprétables.
Conférence d’introduction à l’Intelligence Artificielle à l’IUT de Saint-Malo
Michel Guillemeau, enseignant en mathématiques et informatique au département RT de l’IUT de Saint-Malo, vous explique ce qu’est l’intelligence artificielle, ce qu’est un réseau de neurones, et quels sont les algorithmes complémentaires qui interviennent dans le fonctionnement d’un LLM.
Mais au fait c’est quoi l’intelligence ?
Exemples de travaux pratiques
TP Classification supervisée
IUT de Vélizy –UVSQ
LATMOS – Laboratoire Atmosphères, Observations Spatiales
Edwige Vannier
Mise en œuvre et comparaison de méthodes de classification supervisée appliquées à la détection de spam SMS et à la détection d’intrusions réseau.
Classification de SMS
Application du classifieur Naïf Bayes sur une collection de SMS. Analyse de la matrice de confusion, de la courbe ROC et de l’AUC pour évaluer les performances du modèle.
Comparaison de trois méthodes de classification
Confrontation du Naïf Bayes avec les K Plus Proches Voisins (KNN) et les Forêts Aléatoires. Optimisation du KNN par ajustement du nombre de voisins et de la pondération, évaluée via les scores AUC et F1.
Détection d’intrusions réseau
Application des classifieurs sur le jeu de données KDD. Identification des types d’attaques les plus faciles et les plus difficiles à détecter, et amélioration des performances par les Forêts Aléatoires.
TP Détection de malwares par apprentissage automatique
IUT de Vélizy – UVSQ
LI-PARAD – Laboratoire Informatique, Parallélisme, Réseaux et Algorithmique Distribuée
Soufian Ben Amor
Mise en œuvre de méthodes de classification et de détection d’anomalies pour identifier des fichiers malveillants à partir du dataset ADFA-LD de l’université de Sydney (833 fichiers sains, 746 fichiers d’attaques).
Exploration et préparation du dataset ADFA-LD
Analyse de la distribution des classes (sain / malveillant) et des features extraites des traces système. Prétraitement des données et séparation train/test 70/30 stratifiée pour conserver la distribution des classes.
Classification supervisée
Application et comparaison de plusieurs classifieurs (Naïf Bayes, KNN, Random Forest) pour distinguer fichiers sains et malveillants. Évaluation des performances via matrice de confusion, courbe ROC, AUC et F1-score.
Détection d’anomalies par clustering
Mise en œuvre d’un pipeline K-Means pour modéliser le comportement normal. Calcul d’un score d’anomalie basé sur la distance au centroïde, avec seuil de détection fixé au 90e percentile.
Prêt à approfondir vos compétences en IA et cybersécurité ?
Découvrez nos autres enseignements de cybersécurité.