IA appliquée à la sécurité informatique¶
Volume horaire : 16h CM · 8h TP (24h)
Objectifs pédagogiques¶
- Comprendre les apports et les limites de l'intelligence artificielle et du machine learning pour la cybersécurité défensive (détection d'intrusions, de malwares, de phishing).
- Mettre en œuvre des modèles de machine learning simples sur des données de sécurité (réseau, logs, texte).
- Comprendre les risques spécifiques à l'IA elle-même en tant que surface d'attaque (attaques adversariales, empoisonnement de données) et les usages offensifs de l'IA.
Prérequis¶
Bases de programmation (le module Algorithmique et Programmation en C apporte les fondamentaux de logique algorithmique ; les TP de ce module utilisent Python) et notions de statistiques élémentaires.
Plan de séances¶
Cours magistraux (16h)¶
Travaux pratiques (8h)¶
| Séance | Sujet | Durée |
|---|---|---|
| 1 | Classification de trafic réseau (NSL-KDD) | 2h |
| 2 | Détection d'anomalies non supervisée | 2h |
| 3 | Détection de phishing par NLP | 2h |
| 4 | Attaque adversariale sur un classifieur | 2h |
Évaluation¶
- TP notés : 40 %
- Projet (application d'un modèle ML à un jeu de données de sécurité au choix) : 30 %
- Examen final : 30 %
Environnement technique¶
Python 3, scikit-learn, pandas, numpy, matplotlib ; PyTorch ou TensorFlow pour les exercices avancés (TP4). Jeux de données publics utilisés : NSL-KDD (intrusions réseau), un corpus public d'e-mails de phishing.
Bibliographie¶
- S. Raschka, V. Mirjalili, Python Machine Learning.
- I. Goodfellow, Y. Bengio, A. Courville, Deep Learning.
- OWASP Machine Learning Security Top 10.
- MITRE ATLAS (Adversarial Threat Landscape for Artificial-Intelligence Systems).
Dr. Zakaria Sawadogo — École Polytechnique de Ouagadougou