Améliorer la détection d’intrusions dans les systèmes répartis grâce à l’apprentissage fédéré

Improving intrusion detection in distributed systems with federated learning

• Auteur / Autrice : Léo Lavaur
• Direction : Yann Busnel
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 07/10/2024
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et le numérique
• Partenaire(s) de recherche : Laboratoire : Self-prOtecting The futurE inteRNet - Département Systèmes Réseaux, Cybersécurité et Droit du numérique - Institut de recherche en informatique et systèmes aléatoires (Rennes)
• Jury : Président / Présidente : Vincent Nicomette
• Jury : Examinateurs / Examinatrices : Yann Busnel, Anne-Marie Kermarrec, Éric Totel, Sonia Ben Mokhtar, Pierre-François Gimenez, Marc-Oliver Pahl, Fabien Autrel
• Jury : Rapporteur / Rapporteuse : Anne-Marie Kermarrec, Éric Totel

Mots clés

Mots clés contrôlés

Systèmes à paramètres répartis

Systèmes informatiques -- Mesures de sûreté

Systèmes de détection d'intrusion (informatique)

Apprentissage fédéré

Mots clés libres

Apprentissage fédéré

Détection d’intrusions collaborative

Apprentissage automatique

Cybersécurité

Systèmes répartis

Federated learning

Collaborative intrusion detection

Machine learning

Cybersecurity

Distributed systems

Résumé

La collaboration entre les différents acteurs de la cybersécurité est essentielle pour lutter contre des attaques de plus en plus nombreuses et sophistiquées. Pourtant, les organisations sont souvent réticentes à partager leurs données, par peur de compromettre leur confidentialité ou leur avantage concurrentiel, et ce même si cela pourrait améliorer leurs modèles de détection d’intrusions. L’apprentissage fédéré est un paradigme récent en apprentissage automatique qui permet à des clients répartis d’entraîner un modèle commun sans partager leurs données. Ces propriétés de collaboration et de confidentialité en font un candidat idéal pour des applications sensibles comme la détection d’intrusions. Si un certain nombre d’applications ont montré qu’il est, en effet, possible d’entraîner un modèle unique sur des données réparties de détection d’intrusions, peu se sont intéressées à l’aspect collaboratif de ce paradigme. Dans ce manuscrit, nous étudions l’utilisation de l’apprentissage fédéré pour construire des systèmes collaboratifs de détection d’intrusions. En particulier, nous explorons(i) l’impact de la qualité des données dans des contextes hétérogènes, (ii) l’exposition à certains types d’attaques par empoisonnement,et (iii) des outils et des méthodologies pour améliorer l’évaluation de ce type d’algorithmes.

Collaboration between different cybersecurity actors is essential to fight against increasingly sophisticated and numerous attacks. However, stakeholders are often reluctant to share their data, fearing confidentiality and privacy issues and the loss of their competitive advantage, although it would improve their intrusion detection models. Federated learning is a recent paradigm in machine learning that allows distributed clients to train a common model without sharing their data. These properties of collaboration and confidentiality make it an ideal candidate for sensitive applications such as intrusion detection. While several applications have shown that it is indeed possible to train a single model on distributed intrusion detection data, few have focused on the collaborative aspect of this paradigm. In this manuscript, we study the use of federated learning to build collaborative intrusion detection systems. In particular, we explore (i) the impact of data quality in heterogeneous contexts, (ii) the exposure to certain types of poisoning attacks, and (iii) tools and methodologies to improve the evaluation of these types of algorithms.