DJEKI Essohanam

Projet affilié : ACETSMIP

CEA affilié : Université d’Abomey-Calavi – CEA-SMIA et National Open University of Nigeria – ACETEL

Titre : Modélisation des risques de sécurité dans l’espace d’apprentissage numérique ouest-africain à l’aide de techniques d’apprentissage automatique.

Date de début : 01/01/2021

Problématique : 
Avec l’arrivée de la pandémie COVID-19, les institutions conventionnelles participeront de plus en plus à l’utilisation de l’espace numérique pour leur prestation de services. Des centaines de milliers d’apprenants optent pour des programmes en ligne dans la région ouest-africaine, ce qui entraîne une forte exposition aux cyber-attaques. Pour assurer la durabilité et la sécurité de l’espace d’apprentissage numérique, il est essentiel d’équiper les participants d’outils et de technologies de sécurité de pointe. Plusieurs systèmes tels que Moodle, Blackboard, Zoom, Coursera, edX, Google Classroom et Google Meet sont utilisés.

Les systèmes d’apprentissage numériques ont toujours été soumis à la pression constante des cybercriminels et des logiciels malveillants. Avec cette intégration croissante des ordinateurs, des logiciels et des services informatiques dans notre vie quotidienne, la tâche de garantir la sécurité des données est de plus en plus difficile. 

Dans un contexte de Big data, où tout est connecté à Internet – des appareils connectés aux terminaux physiques et virtuels – et constitue une source d’informations ou un point d’attaque potentiel, l’apprentissage automatique peut aider à décrypter, analyser et interpréter les données avec un minimum d’efforts. 

L’approche la plus simple pour appliquer l’apprentissage automatique aux menaces de sécurité consiste à partir d’une liste d’événements anormaux ou anormaux préalablement étiquetés et à utiliser un algorithme d’apprentissage automatique supervisé pour apprendre une relation entre les caractéristiques de l’événement et cette étiquette. Par rapport à l’approche des règles explicites, de nombreux auteurs évitent le travail d’écriture ou de réécriture des règles. Cependant, le problème de la détection des menaces qui n’ont jamais été vues auparavant reste le même avec les techniques conventionnelles. Pour faire face à cette lacune, certains auteurs adoptent des techniques qui relèvent du ML non supervisé. Il en existe toute une série que l’on peut classer en deux catégories selon que l’ensemble d’apprentissage est contaminé ou non par des anomalies.