logo EDITE Matthieu HOURBRACQ
Identité
Matthieu HOURBRACQ
État académique
Thèse en cours...
Sujet: Algorithmique d'apprentissage d'incongruité comportementale en environnement adverse et dégradé : Applications pour la cyber-sécurité
Direction de thèse:
Encadrement de thèse:
Laboratoire:
Voisinage
Ellipse bleue: doctorant, ellipse jaune: docteur, rectangle vert: permanent, rectangle jaune: HDR. Trait vert: encadrant de thèse, trait bleu: directeur de thèse, pointillé: jury d'évaluation à mi-parcours ou jury de thèse.
Productions scientifiques
oai:hal.archives-ouvertes.fr:hal-01389562
Apprentissage et sélection de réseaux bayésiens dynamiques pour les processus online non-stationnaires
National audience
Les réseaux bayésiens dynamiques (DBNs) fournissent un formalisme graphique pro-babiliste décrivant, à travers des dépendances conditionnelles, des systèmes dynamiques com-plexes sous incertitude. Cependant, dans la plupart des cas, le processus de Markov génératifsous-jacent est supposé homogène, ce qui signifie que ni sa topologie ni ses paramètres évo-luent au cours du temps. Par conséquent, apprendre un DBN pour modéliser un processusnon stationnaire sous cette hypothèse équivaudra à de pauvres capacités de prédictions. Nousconstruisons donc un framework pour l’apprentissage en temps réel des différents modèles pro-babilistes sous-jacents, sans hypothèses sur leur nombre et leur évolution. Nous montrons laperformance de la méthode sur des données simulées. L’objectif du système est la modélisationet la prédiction d’incongruités pour un Système de Détection d’Intrusion (IDS) en temps réel,aussi un grand soin est attaché à la capacité d’identifier précisément les moments de transition.
Journées Francophones sur les Réseaux Bayésiens et les Modèles Graphiques Probabilistes http://hal.upmc.fr/hal-01389562 Journées Francophones sur les Réseaux Bayésiens et les Modèles Graphiques Probabilistes, Jun 2016, Clermont-Ferrand, France. 8èmes journées francophones de réseaux bayésiens (JFRB 2016)ARRAY(0x7f040130fae0) 2016-06-27
oai:hal.archives-ouvertes.fr:hal-01329583
Real time learning of non-stationary processes with dynamic Bayesian Networks
International audience
Dynamic Bayesian Networks (DBNs) provide a principled scheme formodeling and learning conditional dependencies from complex multivariate time-series data and have been used in a wide scope. However, in most cases, the un-derlying generative Markov model is assumed to be homogeneous, meaning thatneither its topology nor its parameters evolve over time. Therefore, learning aDBN to model a non-stationary process under this assumption will amount topoor predictions capabilities. To account for non-stationary processes, we buildon a framework to identify, in a streamed manner, transition times between un-derlying models and a framework to learn them in real time, without assumptionsabout their evolution. We show the method performances on simulated datasets.The goal of the system is to model and predict incongruities for an Intrusion Dec-tection System (IDS) in near real-time, so great care is attached to the ability tocorrectly identify transitions times. Our preliminary results reveal the precisionof our algorithm in the choice of transitions and consequently the quality of thediscovered networks. We finally suggest future works.
ISSN: 1865-0929 Communications in Computer and Information Science http://hal.upmc.fr/hal-01329583 Communications in Computer and Information Science, Springer Verlag, 2016, Information Processing and Management of Uncertainty in Knowledge-Based Systems, 610 - 611ARRAY(0x7f0400855dd8) 2016-07-18