Data Representation, Data Quality and Data Generation: Contributions to Anomaly-Based Intrusion Detection

Résumé :

Les cyber-attaques sont de plus en plus courantes et le succès des agents basés sur des LLMs ne fait qu’accentuer cette menace. Cette soutenance d’HDR porte sur des contributions en détection d’anomalies, c’est-à-dire la détection d’attaques sans présumer de leur forme. Plus précisément, elle détaille trois volets : la représentation des données, la qualité des données, et la génération de données. La représentation de données s’intéresse à la meilleure manière d’extraire et de préparer des données de sécurité pour une analyse par des outils d’intelligence artificielle. Néanmoins, cette détection est souvent limitée par la qualité des jeux de données, sur laquelle porte le second volet. Celui-ci présente des contributions sur la correction et la création de jeux de données, ainsi que sur l’explicabilité des modèles d’IA qui permet d’identifier des biais dans les données. Enfin, le troisième volet porte sur la génération de trafic réseau synthétique (sans simulation ni émulation) via des techniques d’IA. Cette génération se veut interprétable, modulaire, et peu coûteuse, et s’appuie notamment sur des modèles statistiques ou provenant de la fouille de données.

Abstract :

Cyberattacks are becoming increasingly common, and the success of LLM-based agents only exacerbates this threat. This HDR defense focuses on contributions to anomaly detection, i.e., the detection of attacks without assuming their specific form. More specifically, it details three parts: data representation, data quality, and data generation. Data representation focuses on the best way to extract and prepare security data for analysis by artificial intelligence tools. However, this detection is often limited by the quality of the datasets, which is the focus of the second part. This part presents research on the correction and creation of datasets, as well as on the explainability of AI models, which helps identify biases in the data. Finally, the third part focuses on the generation of synthetic network traffic (without simulation or emulation) using AI techniques. This generation is designed to be interpretable, modular, and cost-effective, and relies in particular on statistical models and data mining techniques.