Proposition d’un outil d’assistance pour la construction des systèmes de détection d’intrusion
Des informations générales:
Le niveau |
MASTER |
Titre |
Proposition d’un outil d’assistance pour la construction des systèmes de détection d’intrusion |
SPECIALITE |
Réseaux et Télécommunication |
Page de garde:
Sommaire:
INTRODUCTION GÉNÉRALE
Chapitre I: LE CLOUD COMPUTING
I.1. Introduction
I.2. Historique
I.3. Définitions du Cloud Computing
I.4. Caractéristiques du Cloud
I.5. Architecture du Cloud
I.6. Modèles de déploiement
I.6.1. Cloud Privé
I.6.2. Cloud communautaire.
I.6.3. Cloud public
I.6.4. Cloud hybride
I.7. Modèles de service
I.7.1. Infrastructure-as-a-Service (IaaS).
I.7.2. Platform-as-a-Service (PaaS)
I.7.3. Software-as-a-Service (SaaS)
I.8. Avantages et inconvénients du Cloud Computing .
I.8.1. Avantages
I.8.2. Inconvénients
I.9. Conclusion
Chapitre II: SYSTEME DE DETECTION D’INTRUSION.
II.1 Introduction
II.2 Sécurité et mécanismes de sécurité
II.2.1 Définition de la sécurité
II.2.2 Objectifs de la sécurité.
II.2.3 Mécanismes de défense.
II.3 Les systèmes de détection d’intrusion (IDS)
II.3.1 Intrusion
II.3.2 Détection d’intrusion
II.3.3 Systèmes de détection d’intrusion.
II.4 Les critères de classifications des IDSs.
II.4.1 Sources de données
II.4.2 Méthode de détection
II.4.3 Analyse de données
II.4.4 Fréquence d’analyse
II.4.5 Comportement après détection
II.4.6 Les limites actuelles de la détection d’intrusions .
II.5 Les IDS dans le Cloud Computing.
II.6 Les Caractéristiques et les limites des différentes approches proposées.
II.7 Conclusion
Chapitre III: MACHINE LEARNING
III.1 Introduction
III.2 Origines de l’Apprentissage Automatique.
III.3 Définitions et Particularités
III.3.1. Apprentissage.
III.3.2. Adaptation.
III.3.3. Dilemme de l’Apprentissage : Précision Vs Généralisation
III.3.4. Intelligibilité.
III.7 Apprentissage automatique
III.4 Principes.
III.5 Domaines de l’Apprentissage Automatique.
III.6 Classification et régression
III.6.1 Classification
III.6.2 Régression
III.7.1 Types de systèmes d’apprentissage automatique.
III.7.2 Apprentissage supervisé / non supervisé
III.8 Avantages ET Inconvénients Des Algorithmes De ML
III.9 Conclusion.
Chapitre IV: APPROCHE PROPOSEE ET IMPLENMENTATION
IV.1. Introduction
IV.2. L’environnement de simulation
IV.4. Implémentation
IV.2.1. L’environnement matériel
IV.2.2. Environnement Logiciel.
IV.3. Approche proposée
IV.4.1. Dataset.
IV.4.2. Indexation des types d’IDS
IV.5. Conclusion
IV.4.3. Traitement d’apprentissage (machine learning)
IV.4.4. Évaluation des résultats
CONCLUSION GÉNÉRALE
RÉFÉRENCES BIBLIOGRAPHIQUES
Annexe A
Annexe B
Chapitre I: LE CLOUD COMPUTING
I.1. Introduction
I.2. Historique
I.3. Définitions du Cloud Computing
I.4. Caractéristiques du Cloud
I.5. Architecture du Cloud
I.6. Modèles de déploiement
I.6.1. Cloud Privé
I.6.2. Cloud communautaire.
I.6.3. Cloud public
I.6.4. Cloud hybride
I.7. Modèles de service
I.7.1. Infrastructure-as-a-Service (IaaS).
I.7.2. Platform-as-a-Service (PaaS)
I.7.3. Software-as-a-Service (SaaS)
I.8. Avantages et inconvénients du Cloud Computing .
I.8.1. Avantages
I.8.2. Inconvénients
I.9. Conclusion
Chapitre II: SYSTEME DE DETECTION D’INTRUSION.
II.1 Introduction
II.2 Sécurité et mécanismes de sécurité
II.2.1 Définition de la sécurité
II.2.2 Objectifs de la sécurité.
II.2.3 Mécanismes de défense.
II.3 Les systèmes de détection d’intrusion (IDS)
II.3.1 Intrusion
II.3.2 Détection d’intrusion
II.3.3 Systèmes de détection d’intrusion.
II.4 Les critères de classifications des IDSs.
II.4.1 Sources de données
II.4.2 Méthode de détection
II.4.3 Analyse de données
II.4.4 Fréquence d’analyse
II.4.5 Comportement après détection
II.4.6 Les limites actuelles de la détection d’intrusions .
II.5 Les IDS dans le Cloud Computing.
II.6 Les Caractéristiques et les limites des différentes approches proposées.
II.7 Conclusion
Chapitre III: MACHINE LEARNING
III.1 Introduction
III.2 Origines de l’Apprentissage Automatique.
III.3 Définitions et Particularités
III.3.1. Apprentissage.
III.3.2. Adaptation.
III.3.3. Dilemme de l’Apprentissage : Précision Vs Généralisation
III.3.4. Intelligibilité.
III.7 Apprentissage automatique
III.4 Principes.
III.5 Domaines de l’Apprentissage Automatique.
III.6 Classification et régression
III.6.1 Classification
III.6.2 Régression
III.7.1 Types de systèmes d’apprentissage automatique.
III.7.2 Apprentissage supervisé / non supervisé
III.8 Avantages ET Inconvénients Des Algorithmes De ML
III.9 Conclusion.
Chapitre IV: APPROCHE PROPOSEE ET IMPLENMENTATION
IV.1. Introduction
IV.2. L’environnement de simulation
IV.4. Implémentation
IV.2.1. L’environnement matériel
IV.2.2. Environnement Logiciel.
IV.3. Approche proposée
IV.4.1. Dataset.
IV.4.2. Indexation des types d’IDS
IV.5. Conclusion
IV.4.3. Traitement d’apprentissage (machine learning)
IV.4.4. Évaluation des résultats
CONCLUSION GÉNÉRALE
RÉFÉRENCES BIBLIOGRAPHIQUES
Annexe A
Annexe B
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.