Le Machine Learning confronté aux contraintes opérationnelles des systèmes de détection

Anaël Beaugnon 1, 2, 3 Antoine Husson 1
3 SIERRA - Statistical Machine Learning and Parsimony
DI-ENS - Département d'informatique de l'École normale supérieure, ENS Paris - École normale supérieure - Paris, CNRS - Centre National de la Recherche Scientifique, Inria de Paris
Abstract : Les systèmes de détection d’intrusion, reposant traditionnellement sur des signatures, n’ont pas échappé à l’attrait récent des techniques de Machine Learning. Si les résultats présentés dans les articles de recherche académique sont souvent excellents, les experts en sécurité ont cependant encore de nombreuses réticences concernant l’utilisation du Machine Learning dans les systèmes de détection d’intrusion. Ils redoutent généralement une inadéquation de ces techniques aux contraintes opérationnelles, notamment à cause d’un niveau d’expertise requis important, ou d’un grand nombre de faux positifs. Dans cet article, nous montrons que le Machine Learning peut être compatible avec les contraintes opérationnelles des systèmes de détection. Nous expliquons comment construire un modèle de détection et présentons de bonnes pratiques pour le valider avant sa mise en production. La méthodologie est illustrée par un cas d’étude sur la détection de fichiers PDF malveillants et nous proposons un outil libre, SecuML, pour la mettre en oeuvre.
Type de document :
Communication dans un congrès
SSTIC 2017: Symposium sur la sécurité des technologies de l'information et des communications, Jun 2017, Rennes, France. pp.317-346
Liste complète des métadonnées

Littérature citée [24 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01636303
Contributeur : Anaël Beaugnon <>
Soumis le : jeudi 16 novembre 2017 - 14:03:23
Dernière modification le : jeudi 11 janvier 2018 - 06:28:04
Document(s) archivé(s) le : samedi 17 février 2018 - 13:35:55

Fichier

SSTIC2017-Article-le_machine_l...
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01636303, version 1

Collections

Citation

Anaël Beaugnon, Antoine Husson. Le Machine Learning confronté aux contraintes opérationnelles des systèmes de détection. SSTIC 2017: Symposium sur la sécurité des technologies de l'information et des communications, Jun 2017, Rennes, France. pp.317-346. 〈hal-01636303〉

Partager

Métriques

Consultations de la notice

99

Téléchargements de fichiers

100