Solution intelligente de détection précoce d’attaques DDoS basée sur le Machine Learning

Informations

Établissement

Université Cheikh Anta Diop

Date de soutenance

13/05/2025

Résumé

Les attaques par déni de service distribué (DDoS) constituent une menace majeure
pour la disponibilité des services internet, perturbant considérablement les
systèmes en ligne et causant des pertes financières et de réputation aux
organisations. La détection précoce de ces attaques est cruciale pour permettre
une réponse rapide et efficace, minimisant ainsi leur impact.
Ce mémoire propose une étude approfondie des différentes techniques de
détection d'attaques DDoS, en mettant particulièrement l'accent sur les approches
basées sur l'intelligence artificielle (IA) et l'apprentissage automatique (Machine
Learning). Après une analyse des méthodes existantes, une solution innovante de
détection précoce est développée en utilisant des algorithmes de classification
appliqués à un jeu de données représentatif, tel que le CIC-DDoS2019.
La méthodologie adoptée inclut le prétraitement des données, la sélection des
caractéristiques pertinentes et l'entraînement de modèles prédictifs tels que
Random Forest, SVM et Decision Tree. Les performances du système sont
évaluées à travers des métriques standard (précision, rappel, score F1) et
comparées aux solutions existantes.
Les résultats obtenus démontrent que la solution proposée permet de détecter
efficacement les attaques DDoS avec un taux de précision élevé, tout en réduisant
le nombre de faux positifs. Cette approche offre une alternative robuste pour
renforcer la sécurité des infrastructures réseau et contribuer à la résilience des
services internet face aux menaces croissantes.
En conclusion, cette étude apporte une contribution significative à la lutte contre
les cyberattaques en proposant une solution proactive de détection précoce. Des
pistes d'amélioration, notamment l'intégration de techniques avancées de Deep
Learning, sont également envisagées pour renforcer davantage la solution dans
des environnements de production.