Explainable IDS for DoS Attacks

L'internet des objets (Internet of Things, IoT) est un secteur d'activité en plein développe-ment. Cette technologie va permettre de faire communiquer entre eux di˙érents appareils qui pourront alors échanger un nombre important de données. Sécuriser les informations trans-mises est un requis important de l'IoT. Des mécanismes de sécurité utilisés dans les réseaux actuels peuvent être repris (chi˙rement, authentification, etc). Néanmoins, l'augmentation de la surface d'attaque nécessite de développer de nouveaux outils afin d'améliorer la sécurité de ce type de réseau.Le mécanisme étudié dans cette étude est le système de détection d'intrusions (Intrusion Detection System, IDS). Les systèmes de détection d'intrusions analysent un ensemble de données afin de détecter de potentielles intrusions. Le développement de l'apprentissage automatique a permis d'augmenter les performances de ces algorithmes. Néanmoins, les al-gorithmes d'apprentissage automatique sont souvent très diÿcilement interprétables par un humain. Des méthodes, nommées Explainable Artificial Intelligence (XAI), ont été dévelop-pées pour permettre une meilleure interprétation des résultats. La revue de littérature a montré que plusieurs méthodes pouvaient être utilisées afin de réaliser un système de détec-tion. Les contraintes des objets connectés nous ont orientés vers une approche de détection d'anomalie à l'aide de l'analyse de paquets réseau. L'étude de la littérature a mis en avant l'algorithme Suport Vector Machine dans la détection des intrusions et la méthode Partial Dependence Plot (PDP) pour l'interprétation des résultats. Nous proposons une approche combinant ces deux algorithmes dans l'objectif d'obtenir un système de détection d'intrusions performant et ayant une meilleure interprétabilité.