Détection intelligente des intrusions dans les systèmes via l’apprentissage par renforcement

Abstract

L’émergence de cybermenaces de plus en plus sophistiquées et furtives rend indispensable le développement de systèmes de détection d’intrusions (IDS) intelligents, capables de prendre des décisions de manière autonome sans intervention humaine constante. Dans ce contexte, l’apprentissage par renforcement profond (Deep Reinforcement Learning, DRL) constitue une solution prometteuse, permettant aux agents d’apprendre des stratégies de détection optimales à travers leur interaction avec l’environnement. Ce mémoire explore l’application des réseaux de neurones à Q-learning profond (Deep Q-Networks, DQN) à la détection d’intrusions, en évaluant le modèle sur trois ensembles de données de référence : NSL-KDD, CIC-IDS2017 et AWID. Une attention particulière est portée à l’optimisation des hyperparamètres afin d’amé-liorer les performances d’apprentissage. Les résultats expérimentaux obtenus sur ces trois en-sembles de données montrent qu’un facteur d’actualisation faible (γ = 0,001) permet d’atteindre une précision de détection significativement améliorée pour différentes classes d’intrusions. Le système IDS basé sur DQN proposé surpasse plusieurs approches classiques d’apprentissage automatique. Ces résultats confirment l’efficacité du DRL pour améliorer les performances des IDS et leur capacité d’adaptation face à l’évolution constante des cyberattaques dans les infras-tructures réseaux modernes.