Renforcement de systèmes de détection d'intrusions par des attaques GAN et métaheuristiques

Un système de détection d'intrusion est un outil capital en cybersécurité. Il sert aux administrateurs réseau d'identifier le traffic internet malicieux, et les cyberattaques : une fois celle-ci détectée, l'administrateur prend des décisions afin d'arrêter l'attaque en cours. Grâce au développement de l'Intelligence artificielle, de plus en plus de système de détection d'intrusion sont basés sur des algorithmes d'apprentissage automatique. Ces algorithmes ont en effet la particularité d'être capable de traiter des données rapidement une fois entraînés, ce qui est un facteur important dans le cadre de la détection d'attaques. Ces algorithmes de détection se basent sur des métriques issues du réseau, comme le débit entrant par seconde, le port de destination, ... Des ensembles de données des métriques lors de différents types d'attaques informatiques existent, et c'est sur l'un d'eux que nous nous baserons pour notre étude. Néanmoins, diverses études ont montré que ces algorithmes sont peu robustes lorsque confrontés à des types d'attaques nouveaux. Considérant le nombre croissant de nouvelles attaques informatiques ainsi que la possibilité de générer des attaques grâce à des algorithmes d'apprentissage, disposer d'un outil de détection capable de déceler ces attaques inhabituelles devient une nécessité. Ce travail explore la possibilité d'utiliser des modèles génératifs dans le but de rendre des systèmes de détection basés sur des algorithmes d'intelligence artificielle plus robuste. Nous avons développé la méthode SIGMA, utilisant des Generative Adversarial Networks (GANs) et des métaheuristiques afin de confronter des IDS à de nouveaux types d'attaques. L'usage de ces deux méthodes permet en effet d'explorer un espace de solutions trop grand pour effectuer des méthodes de résolution exactes. SIGMA génère des exemples d'attaques, itérativement, et les utilise pour réentraîner le système de détection jusqu'à convergence, c'est à dire jusqu'à ce qu'il ne soit plus possible d'améliorer l'IDS.