Thèse Année : 2024

Amélioration de la détection et de l'explicabilité en cybersécurité : un passage de l'apprentissage automatique à l'apprentissage par graphes

Enhancing detection and explainability in cybersecurity : a shift from machine learning to graph learning

Résumé

This thesis explores the transition from traditional machine learning (ML) to graph learning (GL) in cybersecurity, focusing on the complexity of cyberattack data connections. The core challenge is making GL processes comprehensible to enhance trust among security analysts. It introduces a benchmarking process using the ComGLSec workflow, comparing various GL methods through a graph representation model for node classification in cyberattacks. Findings emphasize the superiority of inductive Graph Neural Networks (GNNs) in performance and inductivity over other methods, advocating further exploration into explainability. Challenges in extending explainability from ML to GL are discussed, highlighting the need for new evaluation metrics for explainability in GL. The thesis proposes the XAIMetrics Framework to assess explainability comprehensively in ML, potentially extendable to GL, underscoring significant advancements in the field.
Cette thèse examine la transition de l'apprentissage machine (ML) traditionnel à l'apprentissage par graphes (GL) en cybersécurité, se concentrant sur la complexité des connexions de données dans les cyberattaques. Le défi principal est de rendre les processus GL compréhensibles pour renforcer la confiance parmi les analystes de sécurité. Elle introduit un processus de benchmarking utilisant le workflow ComGLSec, comparant diverses méthodes GL à travers un modèle de représentation de graphes pour la classification de nœuds dans les cyberattaques. Les résultats soulignent la supériorité des réseaux neuronaux graphiques inductifs (GNNs) en termes de performance et d'inductivité par rapport à d'autres méthodes, plaidant pour une exploration plus poussée de l'explicabilité. Les défis de l'extension de l'explicabilité du ML au GL sont discutés, soulignant le besoin de nouvelles métriques d'évaluation pour l'explicabilité dans le GL. La thèse propose le cadre XAIMetrics pour évaluer de manière complète l'explicabilité dans le ML, potentiellement extensible au GL, soulignant des avancées significatives dans le domaine.
Fichier principal
Vignette du fichier
ABOURIDA_Amani_2024_ED269.pdf (285.43 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04919749 , version 1 (29-01-2025)

Identifiants

  • HAL Id : tel-04919749 , version 1

Citer

Amani Abou Rida. Amélioration de la détection et de l'explicabilité en cybersécurité : un passage de l'apprentissage automatique à l'apprentissage par graphes. Computer science. Université de Strasbourg, 2024. English. ⟨NNT : 2024STRAD030⟩. ⟨tel-04919749⟩
0 Consultations
0 Téléchargements

Partager

More