| Titre : | Détection des cyber-attaques dans les systèmes à infrastructures critiques par des modèles de Deep Learning hybrides |
| Auteurs : | ATTOU Lahcene, Auteur ; BOUHALOUANE Abdelatif, Auteur ; BOUYEDDOU Benamar, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université de Saïda – Dr. Moulay Tahar – Faculté des Mathématiques, de l’Informatique et des Télécommunications, 2025/2026 |
| Format : | 95ص |
| Accompagnement : | CD |
| Langues: | Français |
| Index. décimale : | BUC-M 008564 |
| Catégories : |
MASTER en Télécommunications Spécialité : Réseaux et Télécommunications |
| Mots-clés: | Infrastructures critiques, IC, Cyber-attaques, Machine learning, Deep Learning, Modèles hybrides, LSTM-GRU, RNN-GRU, CNN-GRU, ICSNAD, base de données, ICSNAD Critical infrastructure, cyber-attacks, Machine learning, Deep Learning, Hybrid models, LSTM-GRU, RNN-GRU, CNN-GRU, ICSNAD dataset. : البنيةالتحتية الحيوية الهجمات السيبرانية ، التعلم اآللي، التعلم العميق، النماذج الهجينة، LSTM-GRU ، RNN-GRU،CNN-GRU ،ICSNAD ،. |
| Résumé : |
Les systèmes de classification des cyber-attaques sont largement répandus de nos jours pour la
sécurité des systèmes à infrastructures critiques (IC). Diverses techniques de machine learning ont été utilisées pour mettre en place ces systèmes, qui ont été bien propulsés avec l'apparition des technologies de deep learning et leurs succès dans plusieurs domaines. Dans ce mémoire, nous avons élaboré une approche de classification des cyber-attaques dans les réseaux industriels basée sur cinq modèles hybrides d'apprentissage profond : LSTM-GRU, RNN-GRU, CNN-GRU, RNN-LSTM et CNN-LSTM. La méthodologie mise en place a été validée sous la base de données réelle ICSNAD, contenant quatre types d'attaques : PORSCAN, TEARDROP, ICMPREDIRECT et ARP POISONING. Les résultats obtenus montrent que l'approche utilisée a permis d'atteindre des performances de classification prometteuses, avec une supériorité du modèle LSTM-GRU atteignant un rappel de 97,34% pour TEARDROP et une précision de 98% pour TEARDROP. L'étude révèle également l'impact crucial du déséquilibre des classes sur les performances de détection. Cyber-attack classification systems are widely used nowadays for the security of critical infrastructures systems (IC). Various machine learning techniques have been employed to implement these systems, which have been significantly advanced with the emergence of deep learning technologies and their successes in several fields. In this dissertation, we developed a cyber-attack classification approach for industrial networks based on five hybrid deep learning models: LSTM-GRU, RNN-GRU, CNN-GRU, RNN- LSTM, and CNN-LSTM. The established methodology was validated using the real-world ICSNAD dataset, containing four types of attacks: PORSCAN, TEARDROP, ICMPREDIRECT, and ARP POISONING. The obtained results show that the proposed approach achieved promising classification performance, with the LSTM-GRU model outperforming others, reaching a recall of 97.34% for TEARDROP and a precision of 98% for TEARDROP. The study also reveals the crucial impact of class imbalance on detection performance. تنتشرأنظمة تصنيف الهجمات السيبرانية بشكل واسع في الوقت الحاضر لضمان أمن األنظمة الصناعية (IC). وقد أُستُخدِمت تقنياتمختلفة من التعلم اآللي لبناء هذه األنظمة، والتي شهدت دفعة قوية مع ظهور تكنولوجيات التعلم العميق ونجاحاتها في مجاالتمتعددة . فيهذه المذكرة، قمنا بتطوير نهج لتصنيف الهجمات السيبرانية في الشبكات الصناعية يعتمد على خمسة نم اذجهجينة للتعلم العميق،وهي LSTM-GRU: ،و RNN-GRU ،و CNN-GRU ،و RNN-LSTM ،و CNN-LSTM. وقدتم التحققمن صحة المنهجية المتبعة باستخدام قاعدة البيانات الحقيقية ICSNAD ،والتي تحتوي على أربعة أنواع من الهجماتPORSCAN: ،و TEARDROP ،و ICMPREDIRECT ،و POISONING. ARP تُظهرالنتائج التي تم الحصول عليها أن النهج المستخدم قد سمح بتحقيق أداء تصنيف واعد، مع تفوق نموذج LSTM- GRUالذيحقق معدل استدعاء )(Rappel بنسبة 97.34% لهجومTEARDROP، ودقة )(Précision بنسبة 98% لنفسالهجوم. كما تكشف الدراسة أيضًا عن التأثير الحاسم لعدم توازن الفئات )classes des (Déséquilibre على أداء الكشف. |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 008564 Adobe Acrobat PDF |
