Classification du trafic Internet grâce aux méthodes d'apprentissage automatique

Ce travail a été réalisé dans le cadre de la validation du master de recherche en réseaux informatiques et télécommunications à l'Université d'Abomey-Calavi. Le master, d'une durée d'un an, a débuté en février 2020 par des enseignements théoriques, suivis d'un stage de recherche à partir du mois de juin.

Mon stage, d'une durée de six mois, s'est déroulé de juin à décembre 2020 au LETIA, sous l'encadrement de Dr. Ratheil Houndji et Dr. Michel Dossou. En raison de la pandémie de COVID-19 et des restrictions sanitaires, la soutenance a été reportée et s'est tenue le 17 novembre 2021, période durant laquelle des analyses complémentaires ont pu être menées.

Le mémoire est disponible en ligne : mémoire de master (PDF).

La classification automatique du trafic Internet constitue un enjeu majeur pour la gestion, la sécurité et la qualité de service des réseaux. Si de nombreuses approches basées sur l'apprentissage automatique existent, la plupart reposent sur des jeux de données idéalisés et négligent la présence de caractéristiques manquantes.

L'objectif de ce travail est de proposer des modèles de classification robustes et performants, capables de fonctionner dans des contextes d'information partielle. Une analyse progressive des caractéristiques a été menée afin d'identifier et d'éliminer les variables redondantes ou peu informatives.

• Développement de modèles de classification capables de distinguer plusieurs catégories de flux réseau tout en restant robustes en présence d'informations partielles.
• Analyse approfondie de 249 caractéristiques (ports TCP, durées de transmission, tailles des paquets, bande passante effective…) décrivant 377 526 flux réseau (Web, multimédia, bases de données, messagerie, jeux, transfert de fichiers, attaques, P2P, connexions distantes), afin d'identifier les attributs les plus pertinents pour la classification.
• Sélection d'un sous-ensemble optimal de 14 caractéristiques essentielles, permettant d'obtenir des modèles plus interprétables et moins complexes.
• Obtention de performances allant jusqu'à 98 % d'exactitude à l'aide d'algorithmes supervisés tels que les arbres de décision, les forêts aléatoires et XGBoost.