Système Intelligent de Détection Précoce d’Attaques en Cybersécurité

Informations

Établissement

Université Gaston Berger

Date de soutenance

22/04/2026

Résumé

Avec la transformation numérique accélérée des services, la généralisation du cloud computing, de l’Internet des objets et du télétravail, les systèmes d’information sont devenus des cibles privilégiées des cyberattaques. Ces dernières sont aujourd’hui plus fréquentes, plus complexes et souvent structurées en plusieurs étapes, rendant leur détection précoce particulièrement difficile. Les systèmes classiques de détection d’intrusion reposent majoritairement sur des mécanismes réactifs, ce qui limite leur efficacité face aux menaces modernes.
Cette thèse s’intéresse à la conception d’un système intelligent d’alerte précoce pour la cybersécurité, basé sur des techniques avancées d’intelligence artificielle. L’objectif principal est de corréler automatiquement des alertes de sécurité hétérogènes, de reconstruire des scénarios d’attaque cohérents et d’anticiper les étapes futures d’attaques en cours, afin d’améliorer les capacités de détection et de réaction des équipes de sécurité.
Cinq contributions scientifiques majeures sont proposées. La première porte sur un nouveau cadre de corrélation d’alertes basé sur le traitement automatique du langage naturel, la reconnaissance d’entités nommées et la similarité sémantique pour la reconstruction de scénarios d’attaque. La deuxième contribution introduit un modèle de langage de grande taille spécialisé pour la détection de menaces en temps réel par corrélation d’événements de sécurité. La troisième propose une approche adaptative de projection d’attaques combinant des réseaux de neurones sur graphes et l’apprentissage par renforcement. La quatrième développe une approche d’apprentissage automatique multi-classe pour améliorer la classification et la priorisation des alertes de sécurité. Enfin, une cinquième contribution propose un pipeline opérationnel intégrant SIEM, SOAR et un petit modèle de langage (TinyLlama-1.1B) pour la corrélation légère d’alertes et la réponse automatisée aux incidents sur infrastructure légère, sans GPU.
Les résultats expérimentaux montrent que les approches proposées permettent d’améliorer significativement la précision de la corrélation d’alertes, la capacité de détection précoce et les performances de prédiction des attaques. Ces travaux ouvrent ainsi des perspectives prometteuses pour le développement de systèmes d’alerte précoce intelligents et autonomes en cybersécurité.

Mots-clés : Cybersécurité, Système d’Alerte Précoce, Corrélation d’Alertes, Apprentissage Automatique, Deep Learning, Modèles de Langage, Prédiction d’Attaques, SIEM, SOAR, Réponse Automatisée aux Incidents.