Détection collaborative des attaques DDoS en utilisant des mécanismes de Machine Learning

Collaborative Detection of DDoS Attacks Using Machine Learning Mechanisms

• Auteur / Autrice : Amandine Champy
• Direction : Hervé Debar
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/04/2025
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux

Mots clés

Mots clés libres

Cybersécurité

DDoS

Détection d'intrusions

Machine Learning

Deep learning

Federated Learning

Cybersecurity

DDoS

Intrusion detection

Machine Learning

Deep learning

Federated Learning

Résumé

L'objectif de cette thèse est d'explorer des techniques de Machine Learning dans la détection des attaques DDoS, en tenant compte de la contrainte de données réparties sur des nœuds distribués, sans possibilité de centralisation des données brutes. L'approche proposée vise à concevoir des modèles capables de mutualiser les apprentissages entre les différents clients, tout en préservant la confidentialité des données, grâce à une approche de Federeted Learning ou à des méthodes de validation locale. L'intégration de l'humain dans la boucle d'apprentissage est également envisagée, à travers des méthodes comme l'Active Learning ou l'Interactive Machine Learning, permettant une adaptation en temps réel des modèles grâce aux retours de l'opérateur. La thèse s'intéresse aussi à l'autonomie des systèmes de détection, en explorant le Reinforcement Learning pour évaluer et ajuster automatiquement les décisions. Par ailleurs, la thèse s'intéressera à l'adaptabilité des modèles, en leur permettant d'intégrer de nouveaux labels ou tâches au cours du temps. Enfin, l'analyse de données réseau sous forme de séries temporelles sera abordée à l'aide de modèles spécialisés tels que les RNN, LSTM ou CNN.

The objective of this thesis is to explore Machine Learning techniques for detecting DDoS attacks, while considering the constraint of data being distributed across multiple nodes without the possibility of raw data centralization. The proposed approach aims to design models capable of sharing knowledge across different clients while preserving data privacy, through Federated Learning or local validation methods. Human-in-the-loop learning will also be considered, using techniques such as Active Learning or Interactive Machine Learning, allowing real-time model adaptation based on operator feedback. The thesis will also investigate the autonomy of detection systems by exploring Reinforcement Learning to automatically evaluate and adjust decisions. Additionally, it will focus on the adaptability of models, enabling them to incorporate new labels or tasks over time. Finally, the analysis of network traffic as time series data will be addressed using specialized models such as RNNs, LSTMs, or CNNs.