Academic literature on the topic 'Détection d’anomalies réseaux'

Pour lutter contre la pollution des masses d’eaux, la réglementation française impose la mesure et la régulation des rejets d’eaux usées dans l’environnement. Cependant, malgré les progrès dans le domaine des systèmes d’acquisition de données, les capteurs, tout particulièrement les sondes de turbidité, installés dans des milieux agressifs tels que les réseaux d’assainissement sont sujets à des dysfonctionnements fréquents (dérive, saturation, données manquantes…), qui peuvent fausser l’évaluation du flux de pollution. Il est donc essentiel d’identifier les potentielles anomalies avant toute utilisation des données. Aujourd’hui, cette validation se fait au niveau de la supervision et/ou via des opérateurs. L’objectif de ce travail est d’évaluer le potentiel des outils d’intelligence artificielle à automatiser la validation et d’estimer la plus-value de cette approche par rapport à une validation « métier » effectuée par un expert. Pour cela, quatre algorithmes de détection d’anomalies de l’état de l’art sont comparés en utilisant des données de turbidité issues du réseau de collecte de Saint-Malo Agglomération. La plupart de ces algorithmes ne sont pas adaptés à la nature des données étudiées qui sont hétérogènes et bruitées. Seul l’algorithme Matrix Profile permet d’obtenir des résultats prometteurs avec une majorité d’anomalies détectées et un nombre de faux positifs relativement limités.

Avant-Propos : Anomalies génétiques
 Les anomalies génétiques sont observées depuis toujours par les éleveurs et ont été décrites depuis longtemps par les chercheurs. Toutefois, elles ont toujours eu une situation à part dans la sélection des espèces d’élevage. Si la sélection s’est structurée, organisée, raffinée, elle n’a le plus souvent concerné que des caractères économiquement importants mais dits « quantitatifs », c’est-à-dire des caractères au déterminisme génétique complexe soumis à la fois à des effets du milieu et un nombre important de gènes. Parfois, des gènes à effet majeur ont également été pris en compte (gène culard, gène « sans cornes », coloration, absence de plumes…). Mais les anomalies ont toujours été considérées comme un problème inévitable, éventuellement à cacher. Elles ont été peu prises en compte en sélection, elles ne font pas l’objet de déclarations dans le cadre du contrôle de performances usuel et, au contraire, jusqu’à récemment, faisaient plutôt l’objet d’éliminations, volontairement ou non, sans déclaration. Considérées comme rares, elles ont été intégrées dans les incompressibles pertes d’élevage.
 La situation se complique en général lorsqu’un reproducteur largement diffusé s’avère porteur d’une anomalie. L’anomalie change alors de statut : d’inconvénient inéluctable mais peu important, elle apparaît comme un problème majeur pour les éleveurs, source de contentieux, porteur d’une mauvaise image. Son éradication rapide devient prioritaire, et l’élimination des reproducteurs porteurs est généralement préconisée. Au cours des années 1990 et 2000, quelques cas dans l’espèce bovine, finalement peu nombreux, ont marqué les esprits par l’impact qu’ils ont eu dans les populations concernées quand les meilleurs taureaux du moment se sont révélés porteurs. De plus, aucun réseau « du déclarant au généticien » n’étant mis en place, il a fallu du temps entre la déclaration des premiers cas et la disponibilité d’un test moléculaire permettant une éradication réellement efficace.
 Les anomalies génétiques sont inéluctables. Elles résultent de mutations de l’ADN qui sont un phénomène normal source de la diversité génétique. Souvent neutres, parfois fonctionnelles, les mutations peuvent dans des cas rares être responsables d’anomalies. Les populations d’élevage étant des populations génétiquement petites (malgré des effectifs physiques parfois très élevés), elles présentent des conditions favorables pour la diffusion et l’expression de ces anomalies, du fait de la dérive génétique et de la consanguinité. Contrairement à ce qui est parfois supposé, la sélection ne crée pas les anomalies, mais elle peut favoriser leur diffusion (l’augmentation de leur fréquence allélique et l’apparition de cas), de façon analogue aux antibiotiques qui ne créent pas de résistance, mais sélectionnent les populations bactériennes résistantes. On pense également à tort que les populations génétiquement petites présentent plus d’anomalies. Il est plus exact de dire qu’à effectif d’animaux identique, les populations génétiquement petites présentent un nombre d’anomalies différentes plus faible, mais un nombre de cas par anomalie plus élevé.
 Alors que la sélection est un modèle de rationalité, les anomalies sont longtemps restées hors de ce cadre. Une des raisons était sans doute le manque d’outils pour les éliminer. Une mise en place progressive depuis quinze ans et une accélération certaine des techniques de dépistage depuis le début des années 2010 a permis de définir un nouveau cadre pour intégrer les anomalies dans le processus de sélection. Tout d’abord, il est essentiel de disposer d’un système d’observation des anomalies. Les cas étant souvent rares et dispersés, il est essentiel que ce système soit largement implanté sur le terrain et que les informations soient centralisées, de façon à détecter les émergences le plus tôt possible, à partir de cas considérés éventuellement à tort comme sporadiques. Différents observatoires dédiés, souvent distincts du contrôle de performances classique, ont été mis en place à travers le monde et dans différentes espèces d’élevage ou de compagnie. Nous présentons dans ce dossier l’Observatoire National des Anomalies Bovines – ONAB ; https://www.onab.fr/ – (Grohs et al 2016) et la situation chez le porc (Riquet et al 2016). Ces dispositifs ont réellement montré toute leur efficacité lorsque les outils moléculaires les plus récents, de génotypage et séquençage, ont été disponibles, permettant de caractériser rapidement une anomalie à partir de quelques cas (Duchesne et al 2016). Ces outils génomiques peuvent même être utilisés pour orienter la recherche des anomalies avant leur observation (Fritz et al 2016). Enfin, il convient d’insister sur le fait que l’analyse de cas mais aussi de leurs ancêtres n’est possible que si d’excellentes collections d’échantillons sont stockées, comme c’est le cas pour l’ONAB ou pour le Centre de Ressources Biologiques pour les animaux domestiques (CRB-Anim ; https://www.crb-anim.fr/).
 La situation est bien sûr très variable selon les espèces. L’impact d’une anomalie, et donc la prise de conscience des sélectionneurs, est plus élevé dans les espèces conduites en race pure et quand l’individu a une forte valeur. L’espèce bovine est caractérisée par un double réseau de phénotypage associé au conseil en élevage et au travers des vétérinaires, par une conduite en race pure quasi-exclusive, par une sélection puissante, devenue génomique. Elle connaît une évolution récente favorisant la détection des anomalies. La situation est également très avancée chez le chien, une espèce bénéficiant d’une bonne supervision vétérinaire et organisée en de nombreuses races pures d’effectifs génétiques très petits et souvent sujettes à des anomalies spécifiques.
 Aujourd’hui, la situation a beaucoup évolué, de sorte qu’un nombre croissant d’anomalies est mis en évidence, dans toutes les races, quel que soit le mode de reproduction prédominant (monte naturelle ou insémination artificielle). En revanche, leur prise en compte reste encore partielle, et rarement à la hauteur (c’est-à-dire parfois trop, parfois trop peu) de leur importance réelle. Nous proposons dans Boichard et al (2016) différentes approches pour inclure les anomalies de façon objective dans la sélection.
 Pour le chercheur, les anomalies sont des objets d’étude hors du commun. L’anomalie, en provoquant une perturbation sévère en dehors de la gamme physiologique normale, permet parfois de comprendre un mécanisme habituellement peu variable et donc peu étudiable autrement. On comprend ainsi mieux le rôle des gènes au travers de leurs effets lorsqu’ils sont mutés. Les mécanismes mis en jeu touchent souvent des voies fondamentales du vivant et, à ce titre, sont souvent transposables entre espèces. Les connaissances sont bien sûr bien plus avancées chez l’Homme ou les espèces modèles comme la souris et nous bénéficions de ces informations pour caractériser rapidement les mutations découvertes dans les espèces d’élevage. Mais parfois, une anomalie observée dans une espèce d’élevage peut aussi contribuer à résoudre des questions chez l’Homme, par exemple pour des maladies très rares alors que la structure des populations d’élevage avec de grandes familles permet l’étude de cas familiaux. Il arrive alors que l’espèce d’élevage, de même que le chien, prenne le rôle d’espèce modèle de pathologies humaines.

Nous vivons dans un monde hyperconnecté. À présent, la majorité des objets qui nous entourentéchangent des données soit entre-eux soit avec un serveur. Ces échanges produisent alors de l’activitéréseau. C’est l’étude de cette activité réseau qui nous intéresse ici et sur laquelle porte ce mémoire. Eneffet, tous les messages et donc le trafic réseau généré par ces équipements est voulu et par conséquentlégitime. Il est de ce fait parfaitement formaté et connu. Parallèlement à ce trafic qui peut êtrequalifié de ”normal”, il peut exister du trafic qui ne respecte pas les critères attendus. Ces échangesnon conformes aux attendus peuvent être catégorisés comme étant du trafic ”anormal”. Ce traficillégitime peut être dû à plusieurs causes tant internes qu’externes. Tout d’abord, pour des raisonsbassement mercantiles, la plus part de ces équipements connectés (téléphones, montres, serrures,caméras,. . . ) est peu, mal, voire pas protégée du tout. De ce fait, ils sont devenus les cibles privilégiéesdes cybercriminels. Une fois compromis, ces matériels communiquant constituent des réseaux capablesde lancer des attaques coordonnées : des botnets. Le trafic induit par ces attaques ou les communicationsde synchronisation internes à ces botnets génèrent alors du trafic illégitime qu’il faut pouvoir détecter.Notre première contribution a pour objectif de mettre en lumière ces échanges internes, spécifiques auxbotnets. Du trafic anormal peut également être généré lorsque surviennent des événements externesnon prévus ou extra-ordinaires tels des incidents ou des changements de comportement des utilisateurs.Ces événements peuvent impacter les caractéristiques des flux de trafic échangés comme leur volume,leurs sources, destinations ou encore les paramètres réseaux qui les caractérisent. La détection de cesvariations de l’activité réseau ou de la fluctuation de ces caractéristiques est l’objet de nos contributionssuivantes. Il s’agit d’un framework puis d’une méthodologie qui en découle permettant d’automatiserla détection de ces anomalies réseaux et éventuellement de lever des alertes en temps réel<br>We live in a hyperconnected world. Currently, the majority of the objects surrounding us exchangedata either among themselves or with a server. These exchanges consequently generate networkactivity. It is the study of this network activity that interests us here and forms the focus of thisthesis. Indeed, all messages and thus the network traffic generated by these devices are intentionaland therefore legitimate. Consequently, it is perfectly formatted and known. Alongside this traffic,which can be termed ”normal,” there may exist traffic that does not adhere to expected criteria. Thesenon-conforming exchanges can be categorized as ”abnormal” traffic. This illegitimate traffic can bedue to several internal and external causes. Firstly, for purely commercial reasons, most of theseconnected devices (phones, watches, locks, cameras, etc.) are poorly, inadequately, or not protectedat all. Consequently, they have become prime targets for cybercriminals. Once compromised, thesecommunicating devices form networks capable of launching coordinated attacks : botnets. The trafficinduced by these attacks or the internal synchronization communications within these botnets thengenerates illegitimate traffic that needs to be detected. Our first contribution aims to highlight theseinternal exchanges, specific to botnets. Abnormal traffic can also be generated when unforeseen orextraordinary external events occur, such as incidents or changes in user behavior. These events canimpact the characteristics of the exchanged traffic flows, such as their volume, sources, destinations,or the network parameters that characterize them. Detecting these variations in network activity orthe fluctuation of these characteristics is the focus of our subsequent contributions. This involves aframework and resulting methodology that automates the detection of these network anomalies andpotentially raises real-time alerts