ML for CyberSecurity

Projet de détection d'intrusions réseau basé sur l'apprentissage automatique, en utilisant le dataset NSL-KDD. Ce projet s'inscrit dans le cadre d'un travail académique en cybersécurité et data science, visant à concevoir un système de détection hiérarchique d’attaques.

---

Chapitre 1 – Introduction

• 1.1 Contexte de la cybersécurité Présentation des enjeux actuels liés à la sécurité des réseaux informatiques.

• 1.2 Importance de la détection d'intrusion réseau Justification de l’usage de techniques d’IA pour détecter des comportements anormaux.

• 1.3 Présentation du projet Vue d’ensemble du système développé, basé sur un pipeline complet de machine learning.

• 1.4 Objectifs du système de détection basé sur les données Identifier efficacement les attaques et les classifier selon leur type.

---

Chapitre 2 – Exploration des Données

• 2.1 Présentation du dataset NSL-KDD

  • 2.1.1 Description générale
  • 2.1.2 Types d’attaques : DoS, Probe, R2L, U2R
  • 2.1.3 Attributs : 41 features issues du trafic réseau

• 2.2 Analyse exploratoire

  • 2.2.1 Statistiques descriptives
  • 2.2.2 Répartition des classes (normales vs attaques)
  • 2.2.3 Déséquilibre des classes

• 2.3 Visualisation des données

  • 2.3.1 Histogrammes des distributions
  • 2.3.2 Matrice de corrélation
  • 2.3.3 Scatter plots pour l'analyse visuelle

---

Chapitre 3 – Prétraitement des Données

• 3.1 Encodage des variables catégorielles (one-hot ou label encoding)
• 3.2 Normalisation des données (standardisation pour SVM, DNN, etc.)
• 3.3 Gestion du déséquilibre de classes via SVM-SMOTE
• 3.4 Split du dataset en ensembles d’entraînement et de test

---

Chapitre 4 – Détection d’Intrusion (Hiérarchie en 2 Étapes)

• 4.1 Étape 1 – Classification binaire : Normal vs Intrusion

  • 4.1.1 Modèles supervisés : SVM, Random Forest, Naive Bayes...
  • 4.1.2 Utilisation d’un autoencodeur pour la détection non supervisée

• 4.2 Étape 2 – Classification en 4 types d’attaques

  • 4.2.1 Rééquilibrage du dataset avec SVM-SMOTE
  • 4.2.2 Modèle final : réseau de neurones profond (DNN)

---

Chapitre 5 – Évaluation des Modèles

• 5.1 Métriques d’évaluation

  • 5.1.1 Précision, rappel, F1-score, accuracy
  • 5.1.2 Comparaison entre macro-F1 et micro-F1

• 5.2 Résultats – Classification binaire

• 5.3 Résultats – Classification à 4 classes

• 5.4 Analyse qualitative avec matrices de confusion

---

Chapitre 6 – Conclusion et Perspectives

• 6.1 Résumé des résultats obtenus
• 6.2 Avantages du modèle hiérarchique pour la détection multi-niveau
• 6.3 Limites rencontrées : déséquilibre des données, complexité des attaques fines
• 6.4 Pistes d’amélioration : modèles sensibles au coût, architectures avancées

---

Lancer le projet

git clone https://github.com/tinbyte/ML-for-CyberSecurity.git
cd ML-for-CyberSecurity
pip install -r requirements.txt
jupyter notebook