Description
Date depot: 22 février 2021
Titre: Détection d’anomalies et explicabilité à partir d’apprentissage sur des graphes de connaissances : application à la cybersécurité / Anomaly Detection and Explainability using Knowledge Graph Embeddings: Application to Cyber Security
Directeur de thèse:
Ulrich FINGER (Eurecom)
Encadrant :
Raphael TRONCY (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: L'objectif de cette thèse est de proposer un nouveau système de détection d'anomalies, applicable aux infrastructures réseaux (défauts de matériels et de service) et aux problèmes de cybersécurité associés (risques et attaques), permettant de remplir une multitude d'objectifs organisés en quatre axes.
L'approche consistera d'abord à acquérir des connaissances hétérogènes sous la forme de graphes de connaissances. Le système devra veiller à pouvoir traiter des données de flux et des données massives. Ensuite, nous étudierons les algorithmes d'apprentissage à base de plongements de graphes pour la détection d'anomalies. Enfin, nous nous attacherons à fournir des prédictions explicables en utilisant les connaissances symboliques préalablement formalisées.
Doctorant.e: Tailhardat Lionel