Encadrements

La transformation numérique bouleverse la fonction Ressources Humaines et impose aux organisations de repenser leurs processus de gestion. Ce mémoire étudie l’implémentation d’un Système d’Information des Ressources Humaines (SIRH) adapté au contexte ouest-africain, à travers le cas de la plateforme EfficaSYS. Il part d’un constat : les solutions RH importées, conçues pour d’autres réalités économiques et culturelles, s’avèrent souvent coûteuses, difficiles à paramétrer et peu adaptées aux spécificités locales (monnaies, cadres réglementaires, pratiques informelles). Après une revue des concepts fondamentaux de la digitalisation RH et une analyse comparative des cadres réglementaires de la Mauritanie, du Sénégal et du Niger, le travail présente la conception fonctionnelle et l’architecture technique d’EfficaSYS : une solution modulaire de type SaaS couvrant la gestion administrative, le recrutement, la formation, le développement du capital humain et la paie. La démarche d’implémentation, fondée sur une approche agile, ainsi que les écrans de la plateforme sont détaillés. Les résultats montrent qu’un SIRH pensé localement peut concilier robustesse fonctionnelle, coût maîtrisé et conformité réglementaire, tout en soutenant la croissance et la pérennité des organisations de la sous-région.

Le développement des réseaux FTTH (Fiber To The Home), propulsé par la technologie GPON, a transformé le domaine des télécommunications en répondant aux besoins croissants en bande passante. Ces infrastructures permettent une connectivité simultanée pour des services tels que l’Internet haut débit, la téléphonie IP, la vidéo à la demande et la télévision IP. Cependant, leur performance est souvent mise à l’épreuve par des incidents réseau, nécessitant des outils avancés pour la détection et le diagnostic. Nous avons supposé que l’utilisation d’un modèle d’apprentissage supervisé permettrait de surmonter les limites des techniques traditionnelles en diagnostic réseau. Ce mémoire explore ainsi les méthodes traditionnelles et modernes utilisées pour identifier, localiser et classifier les incidents dans les réseaux FTTH. Les techniques conventionnelles, comme les tests de continuité et les mesures de puissance, restent essentielles mais insuffisantes face à la complexité croissante des réseaux actuels. En parallèle, des technologies avancées, telles que les OTDR et les systèmes de surveillance à distance (NMS), apportent des capacités accrues de diagnostic mais présentent également certaines limites. Pour répondre à ces défis, nous avons proposé une approche novatrice basée sur l’apprentissage automatique. À l’aide d’un modèle de Random Forest et de la méthode SMOTE pour gérer le déséquilibre des classes présent dans les données OTDR de notre dataset OTDR Trace Training data, nous avons développé un système capable d’attribuer automatiquement des catégories aux événements détectés. Les performances obtenues sont encourageantes, avec une précision globale élevée, un F1-score de 94 % et un rappel de 89 %, démontrant ainsi la robustesse de notre solution dans la classification des événements.

Ce mémoire présente la conception et la mise en œuvre d’une architecture Zero Trust Network Access (ZTNA) destinée à renforcer la sécurité des accès aux applications internes. Face aux limites des architectures traditionnelles reposant sur les VPN et la confiance implicite accordée au réseau, cette étude propose une approche fondée sur le principe « Ne jamais faire confiance, toujours vérifier », où chaque demande d’accès est authentifiée, autorisée et contrôlée selon l’identité de l’utilisateur. La solution développée repose sur une architecture modulaire composée d’un serveur d’authentification Keycloak, d’un reverse proxy Zero Trust Pomerium, d’un serveur d’applications protégé par Nginx, d’une base de données MariaDB, d’un serveur de supervision intégrant Prometheus, Grafana et Node Exporter, ainsi que d’un Cloudflare Tunnel pour l’exposition sécurisée des applications publiques. L’ensemble de ces composants communique via des protocoles sécurisés et applique des politiques d’accès basées sur les rôles des utilisateurs. L’implémentation a permis de démontrer qu’une architecture ZTNA réduit efficacement la surface d’attaque, limite les mouvements latéraux, améliore la gestion des identités, renforce la supervision des services et offre un contrôle d’accès granulaire aux applications. Les différentes simulations réalisées ont confirmé le bon fonctionnement de la solution et sa capacité à protéger les ressources internes tout en garantissant une meilleure visibilité sur les accès et les événements de sécurité.

Les réseaux Wi-Fi constituent aujourd’hui le vecteur d’accès à Internet le plus répandu, présents dans les foyers, les entreprises et les universités. Pourtant, la nature intrinsèquement ouverte du canal radio les expose à des vulnérabilités structurelles que des protocoles de sécurité successifs : WEP, WPA, WPA2 et WPA3 ont tenté de combler, sans toujours y parvenir pleinement. Ce mémoire propose une étude articulée entre théorie et pratique de la sécurité des réseaux Wi-Fi et des attaques associées. Sur le plan théorique, il rappelle les fondements cryptographiques indispensables : chiffrement symétrique (AES, DES, RC4) et asymétrique (RSA) ainsi que l’architecture IEEE 802.11 et l’évolution des protocoles de sécurité. Sur le plan pratique, des expérimentations en laboratoire menées dans l’environnement de l’Université Gaston Berger de Saint-Louis ont permis de reproduire et d’analyser les principales attaques : interception passive par sniffing, attaque par déauthentification, déploiement d’un point d’accès malveillant de type Evil Twin, interception de credentials EAP via hostapd-wpe, cracking de clé WEP par l’attaque PTW avec Aircrack-ng, attaque par dictionnaire sur handshake WPA2, et extraction de PMKID avec Hashcat. Les études de cas de KRACK (2017), FragAttacks (2021), Dragonblood (2019) et Blast- RADIUS (2024) illustrent que les vulnérabilités ne se limitent pas aux algorithmes, mais touchent également les protocoles d’échange et les infrastructures d’authentification. Les résultats montrent que la robustesse d’un algorithme de chiffrement ne suffit pas à garantir la sécurité d’un protocole, et que le facteur humain reste un vecteur d’attaque décisif. En réponse, des mesures de protection concrètes sont proposées, organisées par niveau de priorité : adoption de WPA3 et activation de 802.11w, désactivation du WPS, segmentation par VLANs, déploiement d’un système de détection d’intrusion sans fil et sensibilisation des utilisateurs.

Les preuves à divulgation nulle de connaissance (Zero-Knowledge Proofs, ZKP) constituent une primitive cryptographique fondamentale. Elles permettent de prouver la validité d’une assertion sans révéler aucune information sur le témoin (secret) qui la justifie. Ce mémoire propose une étude complète de cette technique, depuis ses fondements mathématiques jusqu’à la validation expérimentale d’un protocole original. Les quatre premiers chapitres établissent les bases nécessaires : structures algébriques et problèmes difficiles (logarithme discret, Diffie-Hellman, factorisation), formalisation des trois propriétés fondamentales (complétude, robustesse, divulgation nulle), analyse ΠZK : Prove(x∈L) ∧¬Reveal(x) comparative des protocoles interactifs (Schnorr, Feige-Fiat-Shamir) et non-interactifs (zk-SNARKs, zk-STARKs, Bulletproofs), puis mise en perspective des applications et limites actuelles. Le cinquième chapitre présente la contribution originale de ce travail : ΠVoteZK, un protocole de vote électronique à divulgation nulle de connaissance. Construit sur quatre primitives complémentaires (Schnorr–Fiat-Shamir, engagement de Pedersen, OR-proof CDS et arbre de Merkle). Il satisfait cinq propriétés formelles : éligibilité, unicité, validité binaire des bulletins, confidentialité et vérifiabilité. Les preuves de sécurité sont conduites dans le modèle de l’oracle aléatoire. L’implémentation en Python, validée par dix tests unitaires et des benchmarks empiriques, confirme des complexités O(N) pour la génération et la vérification, et O(√N) pour le dépouillement.

L’Internet des Objets (IoT) occupe une place centrale dans de nombreux domaines critiques, mais son expansion rapide s’accompagne de défis majeurs en matière de sécurité, liés à l’hétérogénéité des dispositifs, aux ressources limitées et à l’ouverture des architectures réseau. Face à des attaques de plus en plus sophistiquées, les mécanismes de sécurité traditionnels se révèlent insuffisants, rendant nécessaire le recours à des solutions intelligentes et adaptatives. Ce mémoire propose une approche de détection précoce des intrusions basée sur une intelligence artificielle centralisée dans les réseaux IoT. Plusieurs modèles de Machine Learning et de Deep Learning ont été implémentés et évalués à l’aide du dataset CICIoT2023, en s’appuyant sur des métriques de performance standards telles que l’exactitude, la précision, le rappel et le score F1. Les résultats obtenus mettent en évidence que les modèles de Machine Learning, et en particulier Random Forest, offrent d’excellentes performances en matière de détection des intrusions, tout en garantissant une rapidité d’exécution et une simplicité d’implémentation appréciables. À l’inverse, les modèles de Deep Learning, bien que puissants d’un point de vue théorique, ne parviennent pas à surpasser les modèles de Machine Learning dans ce contexte, notamment en raison de leurs besoins plus élevés en ressources computationnelles et en temps de traitement. Ces travaux confirment la pertinence des approches basées sur le Machine Learning pour renforcer la sécurité des réseaux IoT et ouvrent des perspectives vers des solutions de détection plus adaptatives, distribuées et mieux adaptées aux contraintes spécifiques des environnements IoT.

Ce mémoire présente la conception et la simulation d’une boucle IP/MPLS destinée à l’interconnexion des agences de la Banque Islamique de Mauritanie (BIM), dans le cadre d’un stage réalisé au sein de l’opérateur télécom Netcom SA. L’étude part du constat des limites de l’architecture existante, basée sur des liaisons BLR et des tunnels VPN IPsec, qui ne permettait pas d’assurer un niveau optimal de performance, de sécurité et de disponibilité. Face à l’augmentation des besoins en bande passante et à l’importance des applications bancaires critiques, la migration vers une solution MPLS s’est imposée comme une alternative adaptée. Le travail s’appuie d’abord sur une analyse des concepts fondamentaux des réseaux IP, des protocoles de routage et des modèles de communication (OSI et TCP/IP), avant d’explorer en détail l’architecture et le fonctionnement de la technologie MPLS, notamment les mécanismes de commutation par labels, les protocoles de distribution (LDP) et le routage multiprotocole BGP. La solution proposée a été simulée à l’aide du logiciel GNS3, incluant la configuration du cœur OSPF, l’activation de MPLS, la mise en place des VRF et des VPN MPLS, ainsi que les tests de validation. Les résultats obtenus démontrent que l’architecture IP/MPLS permet d’améliorer significativement la fiabilité, la sécurité et la qualité de service du réseau bancaire, tout en garantissant une meilleure évolutivité. Cette solution constitue ainsi une réponse efficace aux exigences croissantes du secteur financier en matière d’infrastructure réseau.

Dans un contexte marqué par la transformation numérique des entreprises, l’essor des applications cloud et l’augmentation des exigences en matière de performance et de sécurité, les architectures WAN traditionnelles montrent leurs limites. Ce mémoire porte sur l’étude et le déploiement d’une solution Fortinet Secure SD-WAN visant à améliorer la performance, la résilience et la sécurité des réseaux d’entreprise. À travers une étude de cas menée au sein de PAMECAS, en partenariat avec SONATEL, une analyse de l’architecture réseau existante a permis d’identifier plusieurs contraintes liées aux coûts, à la flexibilité et à la gestion opérationnelle. Sur la base d’une étude comparative des solutions SD-WAN disponibles, la solution Fortinet Secure SD-WAN a été retenue en raison de son intégration native des fonctions de sécurité et de connectivité. Une nouvelle architecture cible a été conçue puis mise en œuvre, intégrant le routage applicatif intelligent, la haute disponibilité, la gestion centralisée et des mécanismes de sécurité avancés. Les résultats obtenus mettent en évidence une amélioration significative de la qualité de service, une meilleure disponibilité des applications et un renforcement global de la posture de sécurité, tout en simplifiant l’exploitation du réseau et en optimisant les coûts.

La supervision de la sécurité d’un système d’information représente aujourd’hui un enjeu majeur pour les organisations, en raison de la complexité croissante des infrastructures informatiques et de la multiplication des menaces cybernétiques. Les équipes de sécurité doivent analyser en continu d’importants volumes de données issues des journaux d’événements et des systèmes de détection d’intrusion. Cette tâche, à la fois complexe et chronophage, rend la corrélation manuelle des alertes et la réponse rapide aux incidents difficiles à assurer. Face à cette problématique, ce mémoire présente le développement d’un système intelligent de corrélation et d’automatisation de la réponse aux incidents, conçu pour améliorer la détection et la gestion des menaces dans les environnements de cybersécurité modernes. Le document rappelle les fondements de la cybersécurité ainsi que l’apport de l’intelligence artificielle dans l’analyse avancée des données de sécurité. Il présente par la suite les concepts de SIEM, de corrélation d’événements et de SOAR, en montrant leur rôle complémentaire dans l’optimisation de la détection et de la réponse. La partie conception détaille l’architecture du mécanisme développé, intégrant un LLM (Large Language Model ou Modèle de Grand Langage) chargé d’analyser automatiquement les alertes, un SIEM ElasticStack (Elasticsearch, Kibana, Filebeat) pour la collecte des données, et un SOAR Cortex/TheHive pour l’orchestration des réponses. Le système est également connecté à un répondeur SentinelOne pour automatiser des actions comme l’isolement d’hôte. L’implémentation finale démontre que la combinaison de l’IA, du SIEM et du SOAR permet une corrélation intelligente, une réduction significative du bruit d’alertes et une réponse automatisée plus rapide et plus efficace face aux incidents de sécurité. Ce travail met en lumière le potentiel des approches intelligentes pour renforcer la posture de sécurité du Centre de Calcul Ousmane SECK (CCOS) et ouvre des perspectives pour des améliorations futures du système.

L’évolution rapide des cybermenaces et la sophistication croissante des logiciels malveillants ont rendu les méthodes traditionnelles de détection, telles que les techniques basées sur les signatures ou l’analyse comportementale classique, insuffisantes face aux malwares modernes polymorphes, métamorphiques et fortement obfusqués. Ce mémoire explore l’apport de l’apprentissage profond dans l’amélioration de la détection automatique des malwares. Après avoir présenté l’état de l’art sur les familles de malwares, leurs techniques d’évasion et les limites des approches classiques ; le travail analyse les modèles modernes de Deep Learning notamment CNN, RNN, LSTM, GRU et MLP en détaillant leurs architectures et principes de fonctionnement. Deux jeux de données représentatifs, EMBER_2018 et CIC-MalMem2022 ont été utilisés pour concevoir, implémenter et évaluer plusieurs modèles, dont un CNN2D, un modèle hybride CNN1D+LSTM, un MLP et un LSTM. Les résultats expérimentaux montrent que les approches basées sur le Deep Learning offrent une performance élevée en termes de précision, rappel et F1-score, avec une capacité accrue à détecter des menaces complexes. Ce travail met en évidence le potentiel du Deep Learning comme alternative robuste aux méthodes classiques et ouvre des perspectives pour l’optimisation des modèles et leur adaptation à des environnements réels.

A l'ère de la transformation numérique, le volume de menaces et d’intrusions s’accroît, ce qui fait de la cybersécurité une priorité stratégique pour les organisations. Les systèmes de détection d’intrusion (IDS) sont déployés pour identifier les activités suspectes, utilisant des approches par signatures ou par anomalies. Cependant, ces systèmes, en particulier ceux reposant sur les techniques traditionnelles ou les modèles de Machine Learning (ML) seuls, souffrent d’une limite majeure : la génération d’un taux élevé de faux positifs (FP). Ce phénomène sature les Security Operations Centers (SOCs), provoque une surcharge d’alertes et conduit à la fatigue des analystes (Alert Fatigue), réduisant l’efficacité globale des opérations de sécurité. Face à ces défis, les méthodes basées sur les statistiques de flux montrent leurs limites, car elles manquent de la capacité à analyser, contextualiser et comprendre les informations sémantiques complexes issues des journaux d’alertes. La recherche s’est orientée vers l’Intelligence Artificielle (IA) avancée. Ce mémoire s’inscrit dans cette problématique en explorant une architecture hybride IDS+LLM appliquée au jeu de données CICIDS2018. Un classifieur XGBoost est d’abord utilisé pour générer des alertes à partir de caractéristiques de flux réseau, puis différents LLM sont sollicités pour requalifier ces alertes (trafic normal, faux positifs, faux négatifs, véritables attaques) et produire une justification textuelle à partir des seules métriques réseau disponibles. L’objectif est double : améliorer la qualité globale des décisions (en particulier sur les cas ambigus) et fournir des explications compréhensibles, afin de rapprocher la détection automatique des besoins réels des analystes SOC. Les résultats expérimentaux montrent que l’intégration du LLM permet une réduction significative des fausses alertes, notamment grâce à sa capacité à analyser le contexte sémantique des événements. Cette approche nous a permis d’atteindre un niveau de performance élevé et prometteur pour l’amélioration de la détection au sein d’un SOC.

La multiplication et la sophistication des cybermenaces représentent un défi critique pour les institutions financières, qui doivent assurer la sécurité de leurs données tout en respectant un cadre réglementaire strict. Ce mémoire présente la conception, le déploiement et la validation d'une plateforme de sécurité centralisée, basée sur des technologies open-source, pour le compte d'une régie financière sénégalaise. Face à la fragmentation initiale des logs et à l'absence de corrélation, l'objectif était de construire un prototype opérationnel de Security Operations Center (SOC) intégrant la détection, l'automatisation et la réponse aux incidents. La méthodologie a reposé sur une approche expérimentale hybride, combinant des serveurs cloud pour l'infrastructure centrale et un environnement virtualisé VMware pour les systèmes clients. L'architecture technique retenue intègre une stack open-source cohérente : Wazuh (SIEM et détection d'intrusion) déployé sur le premier serveur cloud, DFIR-IRIS (gestion des incidents) associé à Grafana et Prometheus (supervision et métriques) sur le deuxième serveur cloud, et Shuffle (orchestration SOAR) en plateforme cloud pour l'automatisation des workflows. L'innovation principale de ce travail réside dans l'automatisation avancée des processus SOC via la conception et l'implémentation de playbooks SOAR spécifiques. Plusieurs scénarios critiques ont été automatisés. L'intégration technique a permis de relier la détection d'alertes Wazuh à des actions de réponse automatisées via Shuffle, incluant l'enrichissement avec VirusTotal, la création de cas dans DFIR-IRIS, et des mécanismes de confinement. Les résultats des tests, alignés sur le framework MITRE ATT&CK, démontrent l'efficacité opérationnelle de la plateforme. Celle-ci a permis une détection fiable de scénarios d'attaque critiques simulés tout en réduisant significativement les temps de réponse. La supervision unifiée via Grafana a offert une visibilité en temps réel sur l'ensemble des activités de sécurité. Cette étude conclut à la viabilité d'une approche open-source cloud/hybride pour améliorer la posture de sécurité des organisations financières, tout en identifiant des perspectives d'amélioration autour de l'intelligence des menaces collaboratives (MISP) et de la scalabilité en environnement de production.