Les Boursiers du réseau DSTN

DSTN > Boursiers > 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.

DSTN > Boursiers > DJEKI Essohanam

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.

Objectifs / Résultats attendus :
Les objectifs de ce travail sont (i) d’identifier et d’évaluer le niveau des risques de sécurité dans l’espace d’apprentissage numérique ; (ii) d’identifier et d’évaluer les vicissitudes des méthodes et outils actuels utilisés pour la sécurité et la gestion des risques d’une manière spécifique à chaque pays ; (iii) d’étudier les risques de sécurité posés par Covid-19 dans l’espace d’apprentissage numérique et (iii) de proposer une méthode et un outil basés sur l’intelligence artificielle pour l’atténuation des menaces identifiées.

Contribution / valeur ajoutée au projet affilié

Directeur de thèse : Dr. Jules DEGILA, CEA-SMIA

Co-directeur de thèseProf. Muktar Alhassan, ACE-ACETEL

Autres contributeurs à l’encadrement de la thèseDr. Carlyna Bondiombouy, CEA-SMIA