Réalisation d'un GAN quantique adapté à la détection d'anomalies pour les séries temporelles issues de données réseau

Les séries temporelles sont un type de données omniprésent dans le monde scientifique. De par leur nature temporelle, elles sont utilisées pour enregistrer l’évolution de toutes sortes de phénomènes au cours du temps, que ce soit en météorologie, en finance, en réseautique. Dès qu’on veut surveiller l’activité d’un système, ce type de donnée est utile. De part leur omniprésence dans des domaines cruciaux, il devient intéressant de savoir détecter des anomalies pour ce type de données. Typiquement, un dysfonctionnement du système dont on extrait une série temporelle va se manifester dans ladite série. Détecter ce changement comme anormal permet d’être alerté du dysfonctionnement. Par exemple, une attaque par déni de service distribué ouDistributed Denial of Service (DDoS) sur un réseau va se traduire par un pic bref dans la série temporelle du nombre de paquets reçu par le réseau. Dans ce contexte particulier de la sécurité réseau, il y a d’énormes enjeux à détecter les anomalies puisque toutes les infrastructures importantes de la société sont basées sur des réseaux informatiques. En conséquence, le nombre de cyber-attaques sur des réseaux ne fait qu’augmenter années après années. Il existe dans la littérature de nombreuses approches génériques de détection d’anomalies, applicables en particulier à des séries temporelles. Nombre d’entre elles se basent sur de l’apprentissage machine, plus particulièrement sur de l’apprentissage profond et donc les réseaux de neurones. Typiquement, on peut utiliser des approches de classification : en entraînant un agent sur les données normales et différentes classes de données anormales (types de dysfonctionnements, types d’attaques), l’agent devient capable de reconnaître les signatures de différentes anomalies dans les données. Ces approches d’apprentissage supervisé ont le désavantage de limiter le système de détection aux anomalies déjà rencontrées et répertoriées en suffisamment grand nombre pour pouvoir avoir assez de données pour l’entraînement souvent coûteux de réseaux de neurones. Pour éviter cet écueil, une autre approche développée dans la littérature est d’utiliser un modèle génératif, généralement un réseau antagoniste génératif ou Generative Adversarial Network (GAN). Le principe est d’entraîner un modèle capable de générer des données en accord avec la distribution des données d’entraînement. Le modèle est donc entraîné à générer les données normales, puis en comparant la prédiction du modèle avec des données réelles, on peut estimer un score d’anomalie.