Encadrements

Cette recherche a exploré de manière approfondie la mise en place d'une détection précoce des attaques DDoS au sein d'un réseau informatique en utilisant des techniques de Deep Learning. Les résultats obtenus à travers l'application d'algorithmes de classification tels que KNN, SVM, RandomForest, et Arbre de Décision ont démontré l'efficacité de ces approches dans le contexte spécifique des menaces DDoS. L'intégration du Deep Learning a apporté une dimension significative à la détection précoce, permettant une adaptation dynamique aux schémas d'attaques émergents. L'utilisation de données provenant de l'environnement SDN a ajouté une couche de complexité et de contextualisation, renforçant ainsi la pertinence des modèles développés. Au-delà des résultats, cette étude ouvre la voie à de nouvelles perspectives dans le domaine de la cybersécurité. Les enseignements tirés de cette recherche pourraient orienter le développement futur de systèmes de détection précoce plus sophistiqués et adaptatifs, contribuant ainsi à renforcer la résilience des réseaux informatiques face aux menaces évolutives. En résumé, cette recherche aspire à être une pierre angulaire dans l'avancement des techniques de détection précoce des attaques DDoS, offrant des pistes concrètes pour améliorer la sécurité des infrastructures informatiques et assurer une cyberdéfense proactive.

Dans le cadre de ce mémoire portant sur la détection précoce des attaques DDoS sur l’IoT, l’état de l’art des techniques de détection offre un aperçu complet des avancées actuelles et Technique Avantages Limites Détection basée sur les signatures Capacité à identifier les attaques connues Limité aux attaques répertoriées, vulnérables aux nouvelles attaques. IDS avec apprentissage automatique Capacité à détecter les attaques connues ou inconnues Besoin d’un ensemble de données représentatif, risque de faux positifs IDS avec apprentissage profond Exploration de modèles complexes Ressources computationnelles importantes, nécessité de données volumineuses Apprentissage automatique Détection d’anomalies basée sur des schémas appris Dépendance des modèles, vulnérabilités aux attaques adversaires Apprentissage profond Représentation hiérarchique des caractéristiques Complexité computationnelle Élevée, besoin de grandes quantités de données. Combinaison ML et DL Robustesse accrue par la combinaison Complexité élevée, expertise nécessaire pour la mise en œuvre SDN Gestion centralisée pour une réponse rapide Dépendance de l’implémentation SDN, besoin d’une infrastructure compatible des défis persistants. L’examen approfondi des chapitres consacrés à l’IdO, aux applications et défis de sécurité, aux technologies et protocoles, aux attaques DDoS dans l’IoT, ainsi qu’à la détection précoce, a permis de mettre en lumière la complexité et la dynamique de cet écosystème. Les techniques de détection énumérées, allant des IDS traditionnelles à l’intégration novatrice de la blockchain et du SDN, illustrent la diversité des approches adoptées pour renforcer la sécurité des dispositifs IoT. Cependant, chaque technique présente des avantages et des limites, soulignant la nécessité d’une approche holistique.

Le monde actuel du net est tellement connecté que les entreprises développent des réseaux plus complexes, fiables et conviviaux. C’est ainsi que le bon fonctionnement de l’architecture réseaux et des services sont d’une importance capitale pour une fiabilité de l’entreprise favorisant des recettes conséquentes. La migration du trafic web vers des services hébergés dans le Cloud, l'explosion de l'usage des appareils mobiles, la croissance des objets connectés : autant de facteurs qui vont apporter des changements structurels aux réseaux de communication des entreprises. Au final, de nombreux facteurs peuvent entraîner des pannes et des interruptions au bon fonctionnement notamment : coupures de câbles sous-marins, catastrophes naturelles, perturbations géomagnétiques, vols de cuivre et autres événements. À cela, on ajoute des vols de données à travers le piratage. Maintenant, face à ces nombreux facteurs, quelle est la meilleure manière de veiller à notre réseau afin d’anticiper ou de bien réagir à la protection du réseau le moment venu. Pour répondre à cette difficulté nous allons dans un premier temps étudier le centre d’opération réseaux (NOC en anglais qui signifie Network Opération Center) qui est une zone centrale, l’architecture réseaux de l’entreprise. Il est question de savoir ce qu'un centre d’opération réseaux, mais de réfléchir à sa mise en place. Dans un second temps, de découvrir le réseau d’opérateur, c'est-à-dire comment il est structuré et les fonctionnalités qu’on trouve dedans. Et enfin mettre en place le NOC afin de bien surveiller notre réseau d’opérateur. Dans la mise en place du centre d’opération nous avons pu faire des comparaisons dans le but de choisir les meilleurs outils pour mettre en pratique notre solution et atteindre nos objectifs. Au final, nous observons dans notre centre une surveillance de nos équipements du réseau d’opérateur avec l’ensemble des informations de nos appareils et une visualisation des données par rapport au mémoire, au réseau, et autre. Mais aussi la création de ticket pour un incident envoyé au niveau du centre d’opération réseau.

Un RCSF est composé d'un ensemble de nœuds capteurs capables de recueillir et de transmettre des données d’une manière autonome. Ces réseaux doivent être surveillées à temps réel surtout dans certains domaines d’applications critiques. Les solutions de sécurité utilisées dans les réseaux traditionnels ne sont pas directement applicables dans les RCSF, car développer des primitives de sécurité en utilisant de faibles ressources devient un véritable défi. C’est dans cette perspective que nous avons eu l’idée d’orienter notre recherche sur l’authentification mutuelle dans les RCSF afin d’apporter notre contribution. Le travail principal dans ce mémoire a consisté à proposer une amélioration du protocole de Vaidya et al au niveau de la topologie du réseau mais aussi de l’implémentation de l’algorithme afin de le rendre plus efficace et efficient en termes de sécurité et de consommation énergétique.

Le principal objectif de cette étude est porté sur la mise en place d’un système de filtrage pour sécuriser un réseau local et filtrer les adresses urls de certains sites web, en utilisant Squid et SquidGuard. Dans le premier chapitre, nous avons d’abord commencé par contextualiser le milieu dans lequel évoluent les entreprises, ensuite nous avons décrit une problématique de sécurité à laquelle sont confrontées les entreprises et enfin avons proposé une solution. Dans le deuxième chapitre, nous avons fait une étude général sur les réseaux informatique en énonçant d’abord les modèle OSI et l’architecture de la pile TCP/IP ensuite les protocoles, nous avons aussi étudié chapitre 3 les objectifs de la sécurité informatique, nous avons vu quelques notions de base sur la sécurité des systèmes d’information, ensuite nous avons vu la notion de politique de sécurité, nous avons aussi vu quelques attaques sur les systèmes d’information notamment les attaques sur les réseaux, les menaces et les contres mesures à adopter pour se défendre. Dans le dernier chapitre, nous avons eu une approche pratique en présentant et en installant d’abord le pare-feu Pfsense, puis nous avons présenté le système de filtrage open source Squid, ensuite nous avons installé et configuré Squid et enfin nous avons fait un test sur une machine se trouvant sur notre réseau avec comme résultat le blocage des sites blaclistés.

Ce travail porte sur la detection d’anomalie de trafic dans un réseau IoT dans le cas d’un smart home. L’objectif est de mettre en place un modèle de classification basé sur l’IA pour détecter dans un réseau si un trafic est normal ou anomal. Pour atteindre ces objectifs, nous avons adopter une démarche qu’on a présenté autour de trois chapitres. Dans le chapitre premier nous avons fait présentation sur les généralités sur l’IoT en détaillant d’abord ses éléments techniques tels que ses architectures et composants. Ensuite, de présenter les caractéristiques de données et les différents domaines d’applications. Il a été question aussi dans ce chapitre d’analyser et de discuter de la sécurité dans les réseaux IoT. Nous avons de ce fait présenté les enjeux de sécurités dans l’IoT, les menaces, les différentes attaques et les solutions proposées pour lutter contre ces différents types de menaces. Ce chapitre nous a permis de mettre le contexte de notre étude afin de mieux aborder le problème posé. Dans le deuxième chapitre, nous avons fait une étude des différentes méthodes de classification de données qu’offre l’IA. Pour cela, nous avons d’abord donné quelques éléments introductifs sur l’IA : définitions, branches, etc. Ensuite, nous avons fait une discussion sur les modèles de classification IA par rapport à ses différents sous branches : Machine Learning, réseau de neurones, et Deep Learning. Cette discussion nous a permis de mieux comprendre les modèles les plus adaptés par rapport à notre problème et d’avoir leurs critères d’applicabilité. Dans le dernier chapitre, nous avons fait une implémentation de modèles de classification pour la détection d’anomalie dans les réseaux de smart home. Nous avons testé et comparé trois performants modèles : Random Forest, AdaBoost et un modèle de réseau de neurone. L’AdaBoost offre le meilleur résultat avec 97% de précision dans les prédictions tout en se comportant très bien avec des données nouvelles. En somme, nous avons mis en place un modèle IA appris à partir de données réelles qui nous permet de détecter avec une très bonne performance les trafics anormales.

À l’ère de la technologie, le paysage des cybermenaces s’élargit, les attaques deviennent plus furtives, rapides et intelligentes et la cybersécurité apparaît comme l’une des nouvelles préoccupations principales des organisations. Les techniques de détection traditionnelles deviennent plus inefficaces contre les menaces polymorphes et les attaques zero-day. La recherche s’est depuis orientée vers l’Intelligence Artificielle (IA) pour rattraper l’état de l’art et l’intelligence des attaques. Le Machine Learning (ML) a rapidement montré ses limites en raison du gros volume de données, de la haute dimensionnalité imposées par l’ère du Big Data et de la charge de travail sur l’extraction manuelle des caractéristiques. L’IDS basé sur ML a montré de mauvaises performances sur des données comme KDDCUP99 et ses améliorations qui ne sont pas si réalistes. Le Deep Learning (DL) et le jeu de données CSE-CIC-IDS2018 viennent à la rescousse pour résoudre de tels problèmes. Dans cette étude, nous proposons une classification du trafic par un CNN unidimensionnel et une détection d’anomalies par un auto-encodeur profond/empilé (DAE). Nous utilisons le CSE-CIC-IDS2018 pour évaluer les modèles proposés. Le F1-score est utilisé comme métrique principale pour la classification du trafic basée sur CNN car le rappel, la précision, le taux de fausses alarmes (FAR) et le taux de faux négatifs (FNR) sont importants dans le domaine de la cybersécurité. La métrique atteint une moyenne de 97,38 % (FAR et FNR très faibles) sans tenir compte de l’attaque par infiltration et de 87,33 % (FAR très élevé et FNR acceptable) lorsque le modèle est respectivement formé par type d’attaque et avec toutes les attaques combinées. En parallèle, le modèle DAE fonctionne bien contre presque toutes les attaques. Les deux modèles affichent des performances élevées et prometteuses.

La mise en réseau de véhicules fait référence à l’utilisation de systèmes de communication, d’installations informatiques et de stockage dans un contexte véhiculaire afin de permettre l’utilisation des systèmes de transport intelligents (ITS pour Intelligent Transport Systems). Son objectif principal est de réduire les accidents et d’assurer la sécurité routière. Étudiée depuis de nombreuses années, la mise en réseau des véhicules a donné lieu à plusieurs solutions et normes proposées dans la littérature spécialisée. Néanmoins, ce domaine évolue en parallèle avec l’industrie automobile, grâce au développement des technologies de communication sans fil, à l’intégration de l’Internet des objets et aux systèmes de transport intelligents (STI), en adoptant différents types de communication entre les véhicules, entre les véhicules et leur infrastructure ou avec les usagers de la route. Ces communications permettent de fournir divers services, comme la sécurité, la gestion ou le confort. Avec l’avènement de la 5G et le passage à la 6G, de nouveaux cas d’utilisation tels que l’IoV dans le cadre de l’ISAC, l’intégration et l’utilisation de techniques d’accès radio multiples pour évoluer vers l’ORAN, ainsi que la tendance vers des solutions et des pratiques écologiques, ou encore le concept VERT deviennent essentiels. Cela entraîne de nouveaux défis tels que la couverture, la mobilité et la prise en charge du transfert, l’allocation des ressources, la sécurité, le routage, les systèmes de localisation, etc. L’énergie est également un aspect important, même s’il ne s’agit pas de la préoccupation première des réseaux de véhicules. Par conséquent, pour contrôler les performances des réseaux véhiculaires et garantir un niveau minimum de qualité de service, il est désormais crucial d’envisager des solutions pour atténuer ces défis. En ce sens, ce travail vise à étudier les mécanismes permettant d’atténuer certains de ces défis afin d’optimiser la qualité de service dans les réseaux de véhicules. Tout d’abord, nous proposons d’utiliser LoRaWAN, une technologie LPWAN, dans le contexte de l’IoV. LoRaWAN se caractérise par sa longue portée, sa bonne couverture et son efficacité énergétique. Nous étudions ensuite le déploiement optimal de l’IRS (système de relais économe en énergie permettant de réfléchir le signal afin d’améliorer la couverture). Différents mécanismes de déploiement seront testés dans des configurations à un et deux sauts. Mots clefs: VCN ; QoS ; RIS ; LoRaWAN ; Optimisation ; IA ; Heuristiques

La qualité des produits alimentaires est un enjeu majeur de santé publique, particulièrement dans les régions où les méthodes de conservation et de contrôle sont limitées. Au Bénin, les tomates constituent une denrée essentielle, mais leur conservation pose des défis significatifs. Dans ce contexte, la mise en place d’un nez électronique innovant représente une solution prometteuse pour améliorer la sécurité alimentaire en permettant une évaluation précise et continue de la qualité des tomates. Le nez électronique conçu pour cette étude est composé de huit capteurs de gaz (MQ135, MQ136, TGS822, TGS2600, TGS2602, TGS2603, TGS2610 et TGS2611), ainsi que d’un capteur de température et d’humidité (DHT22). Les tomates locales, représentées par les variétés Tounvi et Akikon, ont été utilisées pour les besoins de cette étude. Une collecte de données a été réalisée sur une période de plusieurs semaines pour capturer les données volatiles à différents stades de maturation et de détérioration. Les données recueillies ont été utilisées pour entraîner des modèles d’apprentissage supervisé. Parmi les algorithmes testés, tels que les forêts aléatoires (random forest), les k plus proches voisins (k-NN), les perceptrons multicouches (MLP) et les machines à vecteurs de support (SVM), l’algorithme de forêts aléatoires s’est distingué par ses performances supérieures avec une précision de 94% pour la prédiction de l’état des tomates. De plus, des réseaux de neurones récurrents avancés, tels que Long Short-Term Memory (LSTM) et Gated Recurrent Unit (GRU), ont été employés pour analyser les données séquentielles et prédire le nombre de jours restants avant la détérioration totale des tomates. Ces modèles ont montré des performances remarquables, avec des erreurs quadratiques moyennes respectives de 0,000586 pour LSTM et 0,000505 pour GRU. Les résultats obtenus démontrent que le nez électronique, combiné à des modèles d’apprentissage automatique et à des réseaux de neurones récurrents, offre une solution précise et fiable pour prédire la qualité des tomates. Cette approche permet non seulement de déterminer les périodes de consommation sécuritaire, mais aussi de réduire les pertes post-récolte en optimisant les chaînes d’approvisionnement. Ainsi, la mise en place d’un tel système intelligent représente une avancée significative pour la sécurité alimentaire et la valorisation des produits agricoles locaux au Bénin. Cette recherche ouvre également la voie à de futures applications des technologies de détection et de l’intelligence artificielle dans le secteur agroalimentaire. Mots clés : Nez électronique, Sécurité alimentaire, Qualité des tomates, Apprentissage automatique, Apprentissage profond.

Au cours de cette thèse, nous avons développé et analysé une série de modèles mathématiques visant à mieux comprendre et contrôler la propagation de maladies infectieuses émergentes et réémergentes, en intégrant divers mécanismes de transmission, des structures de contact hétérogènes et des stratégies de contrôle combinées. Après avoir présenté les fondements des modèles compartimentaux classiques, nous avons appliqué notre approche au cas du virus Zika à travers la construction d’un modèle intégrant la transmission vectorielle, sexuelle et verticale, calibré à partir des données épidémiologiques collectées dans sept archipels du Pacifique (Tahiti, Îles Sous-le-Vent, Moorea, Tuamotu–Gambier, Marquises et Îles Australes). Nous avons ensuite proposé un modèle pour la dengue, combinant vaccination et traitement, qui a mis en évidence l’importance de stratégies conjointes. La thèse s’est poursuivie avec la variole du singe (MPOX), modélisée sur réseaux hétérogènes en tenant compte des réservoirs animaux et de la vaccination imparfaite, puis étendue à la mobilité humaine et à la sensibilisation comportementale, avec formulation de problèmes de contrôle optimal. L’ensemble de ces modèles a été calibré sur des données réelles (Zika dans les archipels du Pacifique, MPOX en RDC), confirmant leur validité et leur utilité prédictive. Enfin, un dernier chapitre a été consacré à la COVID-19, à travers une modélisation intégrée combinant réseaux et transmission environnementale, permettant d’évaluer de manière comparative les interventions non pharmaceutiques et vaccinales. Ces travaux démontrent que la prise en compte conjointe des multi-transmissions, des réseaux complexes, des comportements humains et des stratégies de contrôle optimal constitue un cadre pertinent pour anticiper l’évolution des épidémies modernes et fournir des outils d’aide à la décision en santé publique. Mots-clés : Modélisation mathématique, Maladies infectieuses, Réseaux complexes, Contrôle optimal, Zika, Dengue, Variole du singe (Mpox), COVID-19.

La multiplication et la diversité des systèmes d’authentification liées aux ressources numériques devient de plus en plus un enjeu majeur pour les entreprises et les administrations. En effet, chaque application est soumise à une procédure de contrôle d’accès spécifique. Ces opérations à réaliser peuvent nécessiter un contrôle d’accès et des droits associés entrainant parfois une confusion pour l’utilisateur. En guise d’exemple, la perte ou l’oublie des mots de passe. Une solution est l’utilisation de l’authentification unique (SSO) qui permet à un utilisateur d’avoir accès à l’ensemble des ressources du réseau auxquelles il a droit, en s’authentifiant qu’une seule fois. L’utilisateur disposera alors d’une session SSO valide pour l’ensemble des applications ou ressources protégées suivant ses droits d’accès. De plus, un SSO améliore la sécurité, facilite la gestion des comptes utilisateurs et l’ergonomie du système d’information. Le présent mémoire consiste à étudier et mettre en place une solution d’authentification unique via l’application open source, Keycloak pour répondre aux objectifs de notre structure.