1. Home

ANSER OMAR

14h00

Soutenance de thèse de OMAR ANSER

Vers des systèmes de détection d'intrusion réseau adaptatifs et robustes basés sur l'apprentissage automatique.

Toward Adaptive and Robust Machine Learning Based Network Intrusion Detection Systems.

Jury

Directeur de these_CHRISMENT_Isabelle_Université de Lorraine
Co-encadrant de these_FRANCOIS_Jerome_University of Luxembourg
Examinateur_HIET_Guilaume_CentraleSupélec
Président_ADDIS_Bernardetta _Loria
Rapporteur_BRONZINO_Francesco _ENS Lyon
Rapporteur_AITSAADI_Nadjib _DAVID Computer Science Research Laboratory

école doctorale

IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

Laboratoire

LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications

Mention de diplôme

Informatique
A008 Campus Scientifique, 615 Rue du Jardin-Botanique, 54506 Vandœuvre-lès-Nancy
*

Mots clés

5G,environnement dynamique,Sécurité,

Résumé de la thèse

Les systèmes de détection d'intrusion réseau (Network Intrusion Detection Systems, NIDS) basés sur l'apprentissage automatique obtiennent souvent d'excellentes performances sur des jeux de données publics. Pourtant, ces résultats reposent fréquemment sur un schéma d'usage relativement statique (entraîner une fois, évaluer une fois, puis déployer), alors que les réseaux réels évoluent en continu : les applications changent, les usages se transforment, et les attaquants adaptent leurs stratégies.

Keywords

dynamic environment,Security,5G,

Abstract

Machine learning-based Network Intrusion Detection Systems (NIDS) often achieve excellent performance on public datasets. However, these results frequently rely on a relatively static usage paradigm (train once, evaluate once, deploy), whereas real-world networks continuously evolve: applications change, usage patterns shift, and attackers adapt their strategies.
Liste de toutes les soutenances