Scribd Logo
Importer

Bienvenue sur Scribd !

  • 27 vues

    Rapport

    Transféré par

    Zaoui Oumaima
    Ce rapport décrit un projet visant à détecter des attaques basées sur l'apprentissage automatique. Il présente la simulation d'attaques sur un réseau de machines virtuelles, l'extraction de caractéristiques à partir des données capturées et l'entraînement d'un classificateur d'arbres de décision pour détecter le trafic normal et les attaques.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Rapport

    Transféré par

    Zaoui Oumaima
    27 vues5 pages
    Ce rapport décrit un projet visant à détecter des attaques basées sur l'apprentissage automatique. Il présente la simulation d'attaques sur un réseau de machines virtuelles, l'extraction de caractéristiques à partir des données capturées et l'entraînement d'un classificateur d'arbres de décision pour détecter le trafic normal et les attaques.

    Titre original

    Rapport (1)

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce rapport décrit un projet visant à détecter des attaques basées sur l'apprentissage automatique. Il présente la simulation d'attaques sur un réseau de machines virtuelles, l'extraction de caractéristiques à partir des données capturées et l'entraînement d'un classificateur d'arbres de décision pour détecter le trafic normal et les attaques.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    27 vues5 pages

    Rapport

    Transféré par

    Zaoui Oumaima
    Ce rapport décrit un projet visant à détecter des attaques basées sur l'apprentissage automatique. Il présente la simulation d'attaques sur un réseau de machines virtuelles, l'extraction de caractéristiques à partir des données capturées et l'entraînement d'un classificateur d'arbres de décision pour détecter le trafic normal et les attaques.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    Vous êtes sur la page 1sur 5

    Intitulé : Rapport de détection des attaques basées sur

    l’apprentissage automatique
    Sécurité Informatique

    Domaine : Mathématiques-Informatique
    Filière : Informatique
    Spécialité : Réseaux et sécurité informatique
    Préparé par : Messaoudi Chiraz Zaoui Geurfi Oumaima Tazir Roumaissa

    Année : 2023-2024

    Introduction
    Ce rapport couvre le processus, la méthodologie, les résultats et les conclusions du projet de détection
    des attaques basées sur l’apprentissage automatique. L’objectif de ce projet est de comprendre et d’analyser le
    comportement des réseaux dans des conditions normales d’exploitation et lors de types spécifiques de cyberattaques.

    Tache 1 : Simulation d’attaques


    Dans cette tâche, nous nous concentrons sur l’exécution de diverses cyberattaques et la capture de données de trafic
    réseau dans des conditions normales d’exploitation et dans des scénarios d’attaque. Ce processus implique la mise en
    place d’un réseau avec deux machines virtuelles, l’une agissant en tant qu’attaquant et l’autre en tant que victime. Nous
    utilisons ensuite la bibliothèque Scapy pour écrire des scripts Python qui exécutent trois attaques distinctes : Xmas Scan
    (attaque par analyse), DNS Cache Poisoning (attaque de l’homme du milieu) et UDP Flood (attaque par déni de service).
    En capturant les données de trafic réseau pour chaque scénario, nous pouvons analyser le comportement du réseau
    dans différentes conditions et mieux comprendre les caractéristiques et les effets de chaque type d’attaque. Cette
    compréhension nous permettra de développer un modèle d’apprentissage automatique efficace pour détecter et classer
    ces attaques dans la tâche 2.

    Tâche 1.1 : Exécution des attaques


    Nous avons mis en place un réseau composé de deux machines virtuelles (VM), l’une servant d’attaquant et
    l’autre de victime. Nous avons ensuite écrit des scripts Python à l’aide de la bibliothèque Scapy pour exécuter les trois
    attaques suivantes :

    Notre environnement de travail par 2 machine :

    -192.168.100.7: machine attaquant kali linux .

    -192.168.100.8: machine cible de l’attaque Ubuntu.

    Figure1.1: l’environnement des attaques

    1. Analyse de Noël (attaque par analyse) : nous avons collecté le trafic réseau à l’aide de Wireshark
    sur la machine victime pendant la durée de deux ou trois analyses.

    1
    Figure 1.2 xmas_scan .py Figure 1.2 xmas_scan.pcap

    Dans ce script nous effectue un scan Xmas sur l'adresse IP de la victime, en envoyant des paquets TCP
    avec les flags FIN, PUSH et URG activés pour chaque port dans la plage de 1 à 1023

    2. Empoisonnement du cache DNS (attaque de l’homme du milieu) : Nous avons capturé le trafic
    réseau pour deux ou trois instances de l’attaque afin de collecter un ensemble de données complet
    sur les efforts de manipulation du DNS

    Figure 1.3 dns.py Figure 1.3 dns.pcap


    Ce script envoie de manière répétée des paquets DNS trafiqués à une victime, visant à remplacer les entrées
    légitimes dans son cache DNS par des données malveillantes. Chaque paquet DNS trafiqué contient une
    réponse falsifiée associant un nom de domaine spécifique à une adresse IP malveillante.

    3. UDP Flood (Denial-of-Service Attack) : Compte tenu du volume élevé de trafic généré par cette
    attaque, nous avons collecté le trafic réseau pendant une période plus courte de 10 à 15 minutes.

    Figure 1.4 udp_flood.py Figure1.4 udp_flood.pcap


    Ce script envoie en boucle des paquets UDP contenant des données aléatoires à l'adresse IP de la victime et
    au port spécifié. .
    Pour limiter la période de collecte à 10 à 15 minutes,nous introduire une temporisation dans le script pour
    qu'il s'arrête automatiquement après un certain temps

    2
    4. Trafic normal : Nous avons collecté le trafic réseau normal en lançant Wireshark en utilisant la
    machine normalement pendant une durée de 30 à 60 minutes.
    Pour chaque attaque, nous l’avons exécutée une par une, capturé le trafic réseau sur la machine victime et
    l’avons enregistré sous forme de fichier PCAP.

    Figure 1.5 trafic normal.pcap

    Tâche 1.2 : Extraction de flux réseau et de caractéristiques


    Nous avons utilisé CICFlowMeter pour convertir les fichiers PCAP en fichiers CSV, en extrayant les flux de
    trafic réseau et en calculant les caractéristique qui caractérisent de manière unique chaque flux réseau. Nous
    avons obtenu quatre fichiers CSV : un pour le trafic normal et un pour chacune des trois attaques.

    Dns.csv

    Xmas-scan.csv

    Trafic normal.csv

    udp_flood .csv

    3
    Tache 2 : Détection et classification basées sur l’apprentissage
    automatique
    Nous avons écrit un programme Python pour effectuer les tâches suivantes en étulise l’outil Google Colab :

     Ajoutez une nouvelle colonne nommée « Label » à chaque fichier CSV, en attribuant le nom de
    l’attaque pour les captures d’attaque respectives et « Normal » pour la capture de trafic normale.
     Fusionnez les quatre fichiers CSV en un seul fichier CSV nommé « Dataset.csv ».

    code python dataset.csv

     Entraînez et créez un classificateur d’arbre de décision à l’aide de la bibliothèque Scikit-Learn,


    capable de faire la distinction entre le trafic normal et les différents types d’attaques.

    Code python d’arbre de décision


     Évaluez les performances de l’arbre de décision à l’aide du taux de détection (rappel) et du taux de
    faux positifs.
     Taux de détection (rappel)

    4
    Taux de detection

    Taux de faux positifs

    Confusion matrix

    Code python

    Livrables
     Trois scripts Python pour mener les attaques.
     Fichier de jeu de données fusionné nommé « Dataset.csv ».
     Un programme Python pour l’entraînement et l’évaluation du classificateur d’arbre de décision.
     Ce rapport détaillé, n’excédant pas 5 pages, en format PDF

    Les scripts Python et le jeu de données « Dataset.csv » sont regroupés dans une seule archive .zip pour la
    soumission.

    Vous aimerez peut-être aussi