Vers une approche pour les systèmes de détection d’attaque de réseau basée sur données structurées de graphe
Des informations générales:
Le niveau |
Master |
Titre |
Vers une approche pour les systèmes de détection d’attaque de réseau basée sur données structurées de graphe |
SPECIALITE |
Réseau et Télécommunication |
Page de garde:
Sommaire:
Introduction générale :
Chapitrel
Les systèmes de détection d’intrusion
Introduction
1-Les systèmes de détection d’intrusion :
1.1Définition :
2-L’architecture des IDS :
2.1-Les Systèmes Hiérarchiques :
Les inconvénients:.
2.2-Système Peer-to-Peer :.
Avantage
Inconvénients :
2.3-Système multi-agents:
Les avantages:
Les inconvénients:
3-Les différents types de IDS :.
3.1-Les systèmes de détection d’intrusion de type hôte (HIDS) :
3.2-Les systèmes de détection d’intrusions réseau (NIDS) :
3.3- Les systèmes de détection d’intrusions hybrides :
4-Méthodes de détection :
4.1-L’approche par signature:
Avantages:
Inconvénients :
4.2-L’approche comportementale :
Avantage
Inconvénients :
5-Comportement après détection :.
5.1- Réponse passive:
5.2- Réponse active :
Chapitre2
Graphe structurés des données
Introduction
1-Concepts et définitions :.
1.1-Un graphe
1.2-Une base de données
1.3-Un réseau graphique
1.4-La représentation des connaissances.
1.5-L’ontologie
2-Origines des graphes de connaissances (Historique) :
3- Les graphes de connaissances:
3.1- Définition du graphe de connaissances :
3.2-Exemples de graphes de connaissances :
4-La construction des graphes de connaissance :
4.1-Collecte et extraction de l’information :.
4.2-Vérification et déduction :
5- L’architecture d’un graphe de connaissance :
6- Modèles de graphes de connaissances :
6.1- RDF (Resource Description Framework) :
6.2- Modèle de données de graphe de propriétés :
7- Application des graphes de connaissance :
7-1. Système de réponse aux questions «< question answering » :
7-2. Systèmes de recommandation :
7-3. Récupération de l’information :.
8-Les algorithmes de Graphe de connaissance
Chapitre 03
Machine Learning
Introduction
1-Définitions :.
1.1-Intelligence artificielle :
2- Machine Learning (L’apprentissage automatique)
3- Les types d’apprentissage automatique
3.1-Apprentissage supervisé :.
1-La classification.
2-La régression.
3.2-Apprentissage non supervisé
1-Le regroupement
2-La réduction de la dimensionnalité.
3.3- Apprentissage par renforcement :
4-Les algorithmes de machine Learning :
4.1- La régression linéaire (Linear Regression) :
4.2- La régression logistique (Logistic Regression)
Avantage
Inconvénients
4.3- Support Vector Machine (SVM)
Avantages
Inconvénient.
4.4- Naïve Bayes :
4.5- L’arbre de décision (Decision Trees):
Avantages
Inconvénient.
4.6-Les algorithmes de similarité :
4.6.1- Similitude des nœuds :
4.6.2- Voisins les plus proches approximatifs :.
Chapitre 4
Implémentation
Introduction.
1-Description de la base Neo4j :
1.1- Neo4j Graph Data Science :.
2- Description du DataSet :
3- Cypher:
4- Implémentation :
Bibliographie:
Chapitrel
Les systèmes de détection d’intrusion
Introduction
1-Les systèmes de détection d’intrusion :
1.1Définition :
2-L’architecture des IDS :
2.1-Les Systèmes Hiérarchiques :
Les inconvénients:.
2.2-Système Peer-to-Peer :.
Avantage
Inconvénients :
2.3-Système multi-agents:
Les avantages:
Les inconvénients:
3-Les différents types de IDS :.
3.1-Les systèmes de détection d’intrusion de type hôte (HIDS) :
3.2-Les systèmes de détection d’intrusions réseau (NIDS) :
3.3- Les systèmes de détection d’intrusions hybrides :
4-Méthodes de détection :
4.1-L’approche par signature:
Avantages:
Inconvénients :
4.2-L’approche comportementale :
Avantage
Inconvénients :
5-Comportement après détection :.
5.1- Réponse passive:
5.2- Réponse active :
Chapitre2
Graphe structurés des données
Introduction
1-Concepts et définitions :.
1.1-Un graphe
1.2-Une base de données
1.3-Un réseau graphique
1.4-La représentation des connaissances.
1.5-L’ontologie
2-Origines des graphes de connaissances (Historique) :
3- Les graphes de connaissances:
3.1- Définition du graphe de connaissances :
3.2-Exemples de graphes de connaissances :
4-La construction des graphes de connaissance :
4.1-Collecte et extraction de l’information :.
4.2-Vérification et déduction :
5- L’architecture d’un graphe de connaissance :
6- Modèles de graphes de connaissances :
6.1- RDF (Resource Description Framework) :
6.2- Modèle de données de graphe de propriétés :
7- Application des graphes de connaissance :
7-1. Système de réponse aux questions «< question answering » :
7-2. Systèmes de recommandation :
7-3. Récupération de l’information :.
8-Les algorithmes de Graphe de connaissance
Chapitre 03
Machine Learning
Introduction
1-Définitions :.
1.1-Intelligence artificielle :
2- Machine Learning (L’apprentissage automatique)
3- Les types d’apprentissage automatique
3.1-Apprentissage supervisé :.
1-La classification.
2-La régression.
3.2-Apprentissage non supervisé
1-Le regroupement
2-La réduction de la dimensionnalité.
3.3- Apprentissage par renforcement :
4-Les algorithmes de machine Learning :
4.1- La régression linéaire (Linear Regression) :
4.2- La régression logistique (Logistic Regression)
Avantage
Inconvénients
4.3- Support Vector Machine (SVM)
Avantages
Inconvénient.
4.4- Naïve Bayes :
4.5- L’arbre de décision (Decision Trees):
Avantages
Inconvénient.
4.6-Les algorithmes de similarité :
4.6.1- Similitude des nœuds :
4.6.2- Voisins les plus proches approximatifs :.
Chapitre 4
Implémentation
Introduction.
1-Description de la base Neo4j :
1.1- Neo4j Graph Data Science :.
2- Description du DataSet :
3- Cypher:
4- Implémentation :
Bibliographie:
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.