Prévision de l’intensité des cyberattaques par les séries chronologiques.
Des informations générales:
MASTER |
Le niveau |
Prévision de l’intensité des cyberattaques par les séries chronologiques. |
Titre |
| Réseau et Télécommunication |
SPECIALITE |
Page de garde:
Sommaire:
Introduction Générale
Chapitre 1: Sécurité des réseaux informatiques
Introduction
Définitions de la sécurité informatique.
Objectifs de la sécurité.
Les mécanismes de sécurité
les attaques d’un réseau
Définition d’une attaque
Anatomie d’une attaque
Différent types d’attaques
Les attaques d’un réseau
Les attaques s’appuyant sur les faiblesses d’authentification.
IP Spoofing
L’attaque man-in-the-middle:
Les autres formes d’attaques :
DNS Spoofing:
ARP Spoofing:
TCP Session Hijacking:
Injection SQL:
Attaque par logiciel malveillant
Malware: Ransomware.
Malware Scareware
Malware spyware
Malware Adware)
Malware Backdoors.
Malware Les ROOTKITS
Malware Virus
Malware Cheval de troi
Malware: Vers
Les Attaques DoS
Attaque DoS (denial of service attack)
Attaque DDOS (distributed denial of service attack)
Types d’attaques DDoS
Outils de défense informatique.
Pare-feu
Les Antivirus
VPN
Diffinition de la cryptographie
Les systèmes de détection d’intrusions (IDS)
Conclusion
Chapitre 2: Généralités sur les séries chronologiques
Introduction
Définition d’une série chronologique
Objectifs principaux.
Domaine d’application
Les type des modèles d’une série chronologique.
Modèle additif
Modèlemultiplicatif.
Modèle mixte
Choix du modèle
Les composantes fondamentales d’une série chronologique.
Visualisation des séries chronologiques
La stationnarité de la série chronologique
Série chronologique non stationnaire
Tests de stationnarité
Test de Dickey Fuller simple
Test de Dickey Fuller augmenté (ADF)
Processus différentiel
La Fonction d’auto-covariance
La fonction d’autocorrélation (ACF)
La fonction d’autocorrélation partielle (PACF)
Modèles de prévision de séries chronologiques.
Modèles d’autocorrélation d’un AR(p):
Modèles moyenne mobile MA
Modèles ARMA
Les modèles ARIMA (p, d, q)
La methodologie du model Arima :
Identification
Estimation du modèle
Critères de choix des modèles.
Validation du modèle.
La prévision
Chapitre 3 : l’implemetation du système de prediction
Introduction
Environnement d’éxecussion
Google Colab
Définition du langage Python en informatique.
Définition jupyter
Panda
Numpy
Scikit learn
Déscription de dataset
Etude de stationarité de la série
Etude graphique de la série
TEST Écart-Type Et Moyen Mobile
Test Augmented Dickey Fuller
Différenciation La Serie
Modelisation Par le model Arima
Sélection des paramètres et chois du model ARIMA
Prévision en échantillon
Mesures d’exactitude pour la prévision de la série temporelle
Desription De Code Mise A Jour
Conclusion
Conclusion générale
Bibliographie
Télécharger:
Pour plus de sources et références universitaires (mémoires, thèses et articles ), consultez notre site principal.
