Machine learning et sécurité : protection des systèmes par les données et les algorithmes
La 4e de couv. indique : "Les techniques d'apprentissage machine (machine learning) peuvent-elles résoudre nos problèmes de sécurité informatique et mettre enfin un terme au jeu du chat et de la souris entre attaquants et défenseurs ? Ou bien cet espoir est-il vain ? Vous allez enfin pouvo...
Tallennettuna:
| Päätekijät: | , |
|---|---|
| Muut tekijät: | |
| Aineistotyyppi: | Livre papier |
| Kieli: | Français |
| Julkaistu: |
Paris :
First interactive
DL 2019.
|
| Aiheet: | |
| Autres localisations: | Voir dans le Sudoc |
Sisällysluettelo:
- P. ix
- Introduction
- P. x
- Qu'y a-t-il dans ce livre ?
- P. x
- À qui s'adresse ce livre ?
- P. xi
- Conventions utilisées dans ce livre
- P. xii
- Utiliser les exemples de code
- P. 1
- 1. Pourquoi l'apprentissage automatique et la sécurité ?
- P. 3
- Le paysage des cybermenaces
- P. 7
- L'économie des cybercriminels
- P. 7
- Un marché pour les compétences en piratage informatique
- P. 8
- Monétisation indirecte
- P. 9
- Résultat...
- P. 9
- Qu'est-ce que l'apprentissage automatique ?
- P. 11
- Ce que l'apprentissage automatique n'est pas
- P. 12
- L'apprentissage automatique et les cybercriminels
- P. 13
- Utilisations de l'apprentissage automatique concernant la sécurité dans le monde réel
- P. 15
- Lutte contre les spams : une approche itérative
- P. 25
- Limites de l'apprentissage automatique pour la sécurité
- P. 27
- 2. Classification et clustering
- P. 27
- Apprentissage automatique : problèmes et approches
- P. 29
- L'apprentissage automatique en pratique : un exemple concret
- P. 35
- Apprendre aux algorithmes à apprendre
- P. 35
- Familles de modèles
- P. 38
- Fonctions de perte
- P. 39
- Optimisation
- P. 42
- Algorithmes de classification supervisés
- P. 43
- Régression logistique
- P. 45
- Arbres de décision
- P. 48
- Forêts de décision
- P. 51
- Séparateurs à vaste marge
- P. 53
- Bayésien naïf
- P. 55
- k plus proches voisins
- P. 57
- Réseaux de neurones
- P. 59
- Considérations pratiques en matière de classification
- P. 59
- Choix d'une famille de modèles
- P. 60
- Construction des données d'apprentissage
- P. 63
- Sélection des caractéristiques
- P. 65
- Surapprentissage et sous-apprentissage
- P. 67
- Choisir des seuils et comparer des modèles
- P. 69
- Clustering
- P. 69
- Algorithmes de clustering
- P. 78
- DBSCAN
- P. 79
- Évaluer les résultats du clustering
- P. 82
- Conclusion
- P. 83
- 3. Détection des anomalies
- P. 85
- Quand utiliser la détection des anomalies plutôt que l'apprentissage supervisé ?
- P. 85
- Détection d'intrusion avec des techniques heuristiques
- P. 87
- Méthodes pilotées par les données
- P. 90
- Ingénierie des caractéristiques pour la détection des anomalies
- P. 91
- Détection d'intrusions au niveau de l'hôte
- P. 94
- Détection d'intrusions au niveau du réseau
- P. 97
- Détection d'intrusion d'application Web
- P. 99
- En résumé
- P. 99
- Détection des anomalies à l'aide de données et d'algorithmes
- P. 101
- Prévision (apprentissage automatique supervisé)
- P. 112
- Métriques statistiques
- P. 114
- Qualité de l'ajustement
- P. 119
- Algorithmes d'apprentissage automatique non supervisés
- P. 124
- Méthodes fondées sur la densité
- P. 126
- En résumé
- P. 127
- Les défis de l'utilisation de l'apprentissage automatique dans la détection des anomalies
- P. 128
- Intervention et mesures d'atténuation
- P. 130
- Préoccupations relatives à la conception pratique du système
- P. 130
- Optimiser pour l'explicabilité
- P. 131
- Maintenance des systèmes de détection des anomalies
- P. 131
- Intégrer la rétroaction humaine
- P. 132
- Atténuer les effets antagonistes
- P. 132
- Conclusion
- P. 133
- 4. Analyser les logiciels malveillants
- P. 134
- Comprendre les malwares
- P. 136
- Définir la classification des malwares
- P. 140
- Dans les coulisses des malwares
- P. 154
- Génération de caractéristiques
- P. 155
- Collecte des données
- P. 157
- Générer des caractéristiques
- P. 181
- Sélection de caractéristiques
- P. 185
- Des caractéristiques à la classification
- P. 188
- Comment obtenir des échantillons et des étiquettes de malwares
- P. 189
- Conclusion
- P. 191
- 5. Analyser le trafic réseau
- P. 193
- Théorie de la défense réseau
- P. 193
- Contrôle d'accès et authentification
- P. 194
- Détection d'intrusion
- P. 195
- Détecter des attaquants dans le réseau
- P. 195
- Sécurité centrée sur les données
- P. 196
- Honeypots
- P. 197
- En résumé
- P. 197
- Apprentissage automatique et sécurité réseau
- P. 197
- Des captures aux caractéristiques
- P. 203
- Menaces dans le réseau
- P. 207
- Les botnets et vous
- P. 214
- Construire un modèle prédictif pour classifier les attaques réseau
- P. 216
- Explorer les données
- P. 221
- Préparation des données
- P. 225
- Classification
- P. 227
- Apprentissage supervisé
- P. 234
- Apprentissage semi-supervisé
- P. 235
- Apprentissage non supervisé
- P. 240
- Méthodes d'ensemble
- P. 246
- Conclusion
- P. 247
- 6. Protéger le Web grand public
- P. 248
- Monétiser le Web grand public
- P. 249
- Les types d'abus et les données qui peuvent les arrêter
- P. 249
- Authentification et piratage de compte
- P. 256
- Création de compte
- P. 262
- Fraude financière
- P. 265
- Activité des bots
- P. 270
- Apprentissage supervisé en matière d'agressions
- P. 270
- Étiqueter les données
- P. 272
- Démarrage à froid contre démarrage à chaud
- P. 272
- Faux positifs et faux négatifs
- P. 273
- Réponses multiples
- P. 274
- Attaques de grande ampleur
- P. 274
- Clustering et abus
- P. 275
- Exemple : clustering et domaines de spam
- P. 277
- Générer des clusters
- P. 282
- Noter les clusters
- P. 288
- Autres orientations pour le clustering
- P. 289
- Conclusion
- P. 291
- 7. Systèmes de production
- P. 291
- Définir la maturité et l'évolutivité d'un système d'apprentissage automatique
- P. 293
- Qu'est-ce qui est important pour les systèmes d'apprentissage automatique de sécurité ?
- P. 293
- Qualité des données
- P. 294
- Problème : biais dans les jeux de données
- P. 295
- Problème : inexactitude des étiquettes
- P. 296
- Solutions : qualité des données
- P. 297
- Problème : données manquantes
- P. 298
- Solutions : données manquantes
- P. 301
- Qualité du modèle
- P. 302
- Problème : optimisation des hyperparamètres
- P. 303
- Solutions : optimisation des hyperparamètres
- P. 307
- Bon à savoir : boucles de rétroaction, test A/B des modèles
- P. 311
- Bon à savoir : résultats reproductibles et explicables
- P. 315
- Performances
- P. 316
- Objectif : faible latence, haute évolutivité
- P. 317
- Optimisation des performances
- P. 319
- Calcul distribué et passage à l'échelle
- P. 324
- Utiliser les services du cloud
- P. 326
- Maintenabilité
- P. 327
- Problème : points de contrôle, gestion des versions et déploiement des modèles
- P. 328
- Objectif : dégradation gracieuse (ou élégante)
- P. 329
- Objectif : facilité de mise au point et de configuration
- P. 329
- Monitoring et alerte
- P. 331
- Sécurité et fiabilité
- P. 331
- Bon à savoir : robustesse dans des contextes de conflit
- P. 332
- Bon à savoir : sauvegardes et garanties pour la confidentialité des données
- P. 333
- Rétroaction et facilité d'utilisation
- P. 334
- Conclusion
- P. 335
- 8. Apprentissage automatique antagoniste
- P. 336
- Terminologie
- P. 337
- De l'importance de l'apprentissage automatique antagoniste
- P. 338
- Vulnérabilités de sécurité dans les algorithmes d'apprentissage automatique
- P. 341
- Transférabilité des attaques
- P. 342
- Technique d'attaque : empoisonnement du modèle
- P. 345
- Exemple : attaque d'empoisonnement sur un classifieur binaire
- P. 351
- Connaissances de l'attaquant
- P. 352
- Défenses contre les attaques d'empoisonnement
- P. 354
- Technique d'attaque : attaque d'évasion
- P. 355
- Exemple : attaque d'évasion sur un classifieur binaire
- P. 360
- Se défendre contre les attaques d'évasion
- P. 361
- Conclusion
- P. 363
- A. Compléments pour le Chapitre 2
- P. 363
- Plus sur les métriques
- P. 364
- Taille des modèles de régression logistique
- P. 365
- Implémenter la fonction de coût pour la régression logistique
- P. 366
- Minimiser la fonction de coût
- P. 371
- B. Intégrer l'Open Source Intelligence
- P. 371
- Flux de renseignements de sécurité
- P. 373
- Géolocalisation
- P. 375
- Index