Détection et protection d'intrusions dans les réseaux utilisant uneintelligence artificielle basée sur la qualité de service (QoS)

Network intrusion detection and protection using artificial intelligenceartificial intelligence based on Quality of Service (QoS)

• Auteur / Autrice : Florent Durécu
• Direction : Gerard Chalhoub
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/11/2024
• Etablissement(s) : Université Clermont Auvergne (2021-...)
• Ecole(s) doctorale(s) : Sciences pour l'Ingénieur
• Partenaire(s) de recherche : Laboratoire : LIMOS - Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes

Mots clés

Mots clés libres

Détection d'intrusion

Réseau

Intelligence Artificielle

Qualité de service

Prévention d'intrusion

Sécurité

Intrusion Detection

Network

Artificial intelligence

Quality of Service

Intrusion Prevention

Security

Résumé

Cette proposition de thèse porte sur la détection d'intrusions basée sur le réseau. L'utilisation de l'apprentissage automatique supervisé et non supervisé pour détecter les intrusions est très répandue depuis la dernière décennie. De nombreux travaux se concentrent sur l'inspection approfondie des paquets (deep packet inspection) combinée à l'apprentissage automatique pour comprendre les comportements applicatifs prévus. En ce qui concerne la protection, les travaux existants visent généralement à ajouter des mécanismes de ségrégation tels que des pare-feu aux côtés de protocoles cryptographiques. Cependant, de telles techniques considèrent généralement une topologie réseau fixe et ont tendance à affecter la qualité du réseau. Dans cette proposition de thèse, nous avons l'intention de nous appuyer sur des algorithmes d'apprentissage automatique classifiant les métriques réseau utilisées pour la qualité de service afin de détecter les anomalies des attaques réseau et de proposer des mécanismes d'auto-guérison basés sur l'apprentissage par renforcement. Ces mécanismes de protection seront basés sur la sécurité au niveau physique ainsi que sur des protections basées sur MAC et le routage pour contourner l'attaque avec un impact limité sur le réseau.

This thesis proposal focuses on network-based intrusion detection. The use of supervised and unsupervised machine learning to detect intrusions has been widespread over the last decade. Much work focuses on deep packet inspection combined with machine learning to understand expected application behavior. In terms of protection, existing work generally aims to add segregation mechanisms such as firewalls alongside cryptographic protocols. However, such techniques generally consider a fixed network topology and tend to affect network quality. In this thesis proposal, we intend to rely on machine learning algorithms classifying network metrics used for QoS to detect anomalies in network attacks and propose auto-healing mechanisms based on reinforcement learning. These protection mechanisms will be based on security at the physical level as well as MAC and routing-based protections to bypass the attack with limited impact on the network.