Skip to Main content Skip to Navigation
Theses

Unsupervised network anomaly detection

Johan Mazel 1
1 LAAS-OLC
LAAS - Laboratoire d'analyse et d'architecture des systèmes
Résumé : La détection d'anomalies est une tâche critique de l'administration des réseaux. L'apparition continue de nouvelles anomalies et la nature changeante du trafic réseau compliquent de fait la détection d'anomalies. Les méthodes existantes de détection d'anomalies s'appuient sur une connaissance préalable du trafic : soit via des signatures créées à partir d'anomalies connues, soit via un profil de normalité. Ces deux approches sont limitées : la première ne peut détecter les nouvelles anomalies et la seconde requiert une constante mise à jour de son profil de normalité. Ces deux aspects limitent de façon importante l'efficacité des méthodes de détection existantes. Nous présentons une approche non-supervisée qui permet de détecter et caractériser les anomalies réseaux de façon autonome. Notre approche utilise des techniques de partitionnement afin d'identifier les flux anormaux. Nous proposons également plusieurs techniques qui permettent de traiter les anomalies extraites pour faciliter la tâche des opérateurs. Nous évaluons les performances de notre système sur des traces de trafic réel issues de la base de trace MAWI. Les résultats obtenus mettent en évidence la possibilité de mettre en place des systèmes de détection d'anomalies autonomes et fonctionnant sans connaissance préalable.
Complete list of metadatas

Cited literature [145 references]  Display  Hide  Download

https://tel.archives-ouvertes.fr/tel-00667654
Contributor : Arlette Evrard <>
Submitted on : Wednesday, February 8, 2012 - 10:16:40 AM
Last modification on : Friday, January 10, 2020 - 9:10:07 PM
Document(s) archivé(s) le : Wednesday, May 9, 2012 - 2:25:22 AM

Identifiers

  • HAL Id : tel-00667654, version 1

Citation

Johan Mazel. Unsupervised network anomaly detection. Networking and Internet Architecture [cs.NI]. INSA de Toulouse, 2011. English. ⟨tel-00667654⟩

Share

Metrics

Record views

830

Files downloads

3019