Détection d'intrusions réseau assistée par l'IA (MESRS)
Machine learning / Sécurité réseau
Un système de détection d'intrusions assisté par l'IA pour l'équipe de sécurité de l'information du ministère de l'Enseignement supérieur algérien (MESRS). Il lit la façon dont le trafic se comporte plutôt que ce qu'il contient : il fonctionne donc sur des connexions chiffrées, ne se place jamais sur le chemin de production et ne lève que les alertes que l'équipe peut réellement examiner.

Aperçu du projet
Le ministère exploite des plateformes en ligne utilisées par tout l'enseignement supérieur algérien et, comme tout service public, elles reçoivent des scans automatisés, des inondations et des tentatives d'intrusion. Les protections habituelles jugent une connexion ou un serveur à la fois, mais certaines attaques n'apparaissent qu'à travers de nombreuses connexions : une machine qui sonde des centaines d'adresses, un serveur lentement épuisé, un hôte compromis qui appelle discrètement son contrôleur toutes les quelques minutes. La plupart de ce trafic est en outre chiffré, son contenu ne peut donc pas être lu.
Le sujet était ouvert : trouver où l'IA aiderait le plus l'équipe de sécurité. J'ai choisi la détection d'intrusions réseau, rédigé la proposition et fait valider ses objectifs avant de construire quoi que ce soit. Le système lit une copie du trafic, la production n'est donc jamais touchée, et il ne déchiffre rien. Il travaille uniquement à partir de ce que le chiffrement laisse visible : qui parle à qui, quand, combien, pendant combien de temps, et comment chaque connexion se termine.
Il observe le trafic sous trois angles, chaque machine source, chaque serveur et chaque paire de machines dans le temps, puis pose la question qui a le plus compté : est-ce inhabituel pour cet hôte en particulier ? Les signaux liés sont regroupés en incidents qui portent une gravité, les raisons qui la justifient et les preuves, et le seuil d'alerte est fixé à partir du nombre d'incidents que les analystes peuvent réellement examiner, et non d'un score qui ne fait bonne figure que sur le papier.
Fonctionnalités clés
- Passif et en détection seule : il lit une copie miroir du trafic, il ne peut donc jamais ralentir ni bloquer un utilisateur légitime
- Fonctionne sur le trafic chiffré sans le déchiffrer, à partir des seules métadonnées de connexion : extrémités, temporalité, volumes, façon dont la connexion se termine et paramètres de sa négociation
- Trois détecteurs complémentaires : l'un suit chaque machine source (scans, propagation), l'un rassemble tous les clients d'un serveur (inondations, déni de service lent, devinette de mots de passe), l'un suit une paire de machines dans le temps (un hôte compromis qui appelle son contrôleur)
- Une couche de contexte qui juge chaque hôte par rapport à son propre comportement normal, pour qu'une machine dont le métier ressemble légitimement à un scan, comme un serveur de supervision, ne noie pas l'équipe sous les alertes
- Des incidents plutôt que des alertes brutes, chacun avec sa gravité, ses raisons et ses preuves, remontés dans l'outil de supervision que les analystes utilisent déjà
- Un budget d'alertes : le seuil est calibré sur le nombre d'incidents que l'équipe peut examiner, pour que chaque alerte vaille la peine d'être ouverte
- Confidentialité dès la conception : un kit de collecte pseudonymise les adresses avec une clé qui ne quitte jamais le ministère, aucun modèle ne voit donc d'adresse réelle
- Construit et validé d'abord sur des jeux de données de recherche publics, pour que le trafic du ministère n'ait plus qu'à être branché
Technologies utilisées
- Python
- pandas
- Machine Learning
- Anomaly Detection
- Network Traffic Analysis
- Network Security

