Abstract:
CE memoire explore l'application des techniques de Machine Learning pour d étecter les menaces persistantes avancees dans le domaine de la s écurité informatique. Les APT, en tant que cy- é berattaques sophistiquees, présentent des défis majeurs pour les méthodes de détection classiques. L'objectif principal est de concevoir un modele d'apprentissage automatique d ` etectant les compor- étements suspects en se basant sur les donnees du trafic r eseau. Notre m éthodologie implique la col- électe de donnees, un pr étraitement des données, et le choix des caracté eristiques approprié ees pour l'apprentissage, qui est crucial dans notre approche. Nous avons selectionné 12 caract éristiques sur e41, effectue un sur échantillonnage des classes pour éviter le sur-apprentissage, puis entrane un al- égorithme Random Forest et evalué ses performances. Les résultats montrent que notre mod éle basé sur les forets al ˆ eatoires surpasse les autres techniques existantes dans la litté erature avec une accu- racy de 99,87%, une precision de 97,93%, et un rappel de 99,79%, démontrant une capacit e plus que satisfaisante a capturer la complexit ` e des flux r r eseau malveillants. Ces chiffres mettent en évidence l'efficacite et la robustesse de notre approche face aux défis posés par les APT.
