P32 Apprentissage automatique pour la détection d’attaques par déni de services : Différence entre versions
(→Matériel emprunté) |
(→Matériel emprunté) |
||
| Ligne 11 : | Ligne 11 : | ||
|+ Titre | |+ Titre | ||
|- | |- | ||
| − | + | ! scope="col" | Matériel | |
| − | ! scope="col" | | + | ! scope="col" | Quantité |
| − | ! scope="col" | | ||
|- | |- | ||
| Donnée 1A | | Donnée 1A | ||
| Ligne 21 : | Ligne 20 : | ||
| Donnée 2B | | Donnée 2B | ||
|- | |- | ||
| − | |||
| − | |||
|} | |} | ||
Version du 8 janvier 2018 à 10:54
Description du projet
L'objectif de ce projet est d'automatiser la détection d'attaques par déni de services sur un réseau LoRa composé d'un émetteur, d'un récepteur ainsi que d'un capteur. Les données qui transitent dans les trames sont des températures. Une attaque peut par exemple correspondre à une variation brutale du ping, au détournement de la source et autres. Pour cela, il faut analyser les trames en transit et détecter si oui ou non elles représentent une menace. Un programme, développé en Python, sera capable d'avertir les personnes concernées sur une éventuelle attaque par déni de services. Dans un premier temps, il sera nécessaire de recenser un maximum d'angles d'attaque pour être capable de prévoir ces phénomènes. Une fois ces attaques analysées, il faudra générer un DATASET de trames avec trafic normal et avec attaques. Ce dataset sera ensuite utilisé par un réseau de neurones pour qu 'il puisse l'apprendre et être capable de classer une trame normale d'une trame à risque. En parallèle à cela, un programme séquentiel viendra renforcer la détection avec une étude du ping et de renvoi automatique des trames.
Matériel emprunté
| Matériel | Quantité |
|---|---|
| Donnée 1A | Donnée 1B |
| Donnée 2A | Donnée 2B |
