• Aucun résultat trouvé

Sujet : Détection d’intrusion dans les environnement réseaux virtualisés à l’aide des techniques de machines learning

N/A
N/A
Protected

Academic year: 2022

Partager "Sujet : Détection d’intrusion dans les environnement réseaux virtualisés à l’aide des techniques de machines learning"

Copied!
1
0
0

Texte intégral

(1)

Sujet : Détection d’intrusion dans les environnement réseaux virtualisés à l’aide des techniques de machines learning

Concevoir des systèmes de détection automatique d'intrusion est un sujet de recherche dynamique et effervescent. Les systèmes de détection d'intrusion (IDS) les plus récents sont basés sur les approches d'apprentissage automatique (machine learning) qui ont montré leur efficacité.

Bien que plusieurs techniques de machine learning ont déjà été utilisées pour la détéction automatique d'intrusion, l'adaptation et l'évaluation des méthodes récentes telle que le GAN (Generative adversarial networks) nécessite plus d'investigation.

Le but de ce stage est d'explorer cette voie de recherche en adaptant et testant des algorithmes de machine learning récents pour détecter des intrusions dans

les environnements réseaux virtualisés.

Profil recherchée : Etudiant en dernière année d'ingénieur ou Master M2,

connaissance les environnements réseaux virtualisés (SDN, NFV). modélisation et évaluation des performances des réseaux, Matlab, programmation.

Date début, durée: février 2019 pour une durée de 6 mois.

Date limite de candidature: 20/12/2018 Rémunération: Oui

Contacts: Gregory Blanc (Gregory.blanc@telecom-sudparis.eu) et Houda JMILA (Houda.jmila@telecom-sudparis.eu)

Pour candidater, envoyer votre CV détaillé, une lettre de motivation, vos relevés de notes des deux derniers semestres, une de recommandation émanent de votre responsable de formation et/ou de vos professeurs si vous en avez.

Références

Documents relatifs

While the best approach obtained an accuracy of 53% in a multi-class classification, the proposed approach allows to detect an abnormal connection with a rate of 84%, and to predict

In order to perform this time lag analysis, we have examined a freely available data set of airplane disasters, involving commercial passengers, from the point of view of time

Here in this paper, we show a relative investigation of execution of the different machine learning methods using Weka over KDDCUPP9 (benchmark data set for

For each category of learning setup, i.e., supervised, semi-supervised, and unsu- pervised, one ML-based and one DL-based technique are evaluated and compared in terms

In this work, the di- agnosis using machine learning techniques has been developed and implemented for composite sandwich structures based on honeycomb core.. The

The vector model calculated the differences between the occurrences of the train- ing set and the test set and predicted each test occurrence with the species of the training

(1) A simple count based matrix is taken to achieve baseline accuracy, for this we have considered both TD and TFIDF matrix representation from which we set a base-line accuracy

La détection d’intrusion est un domaine en constante évolution et les travaux les plus récents introduisent des techniques d’apprentissage automatique [1] et d’apprentissage