Publisher's Synopsis
Ici on propose un syst�me de d�tection et de pr�vision d'intrusions � base de r�seaux d'inf�rence incertaine et impr�cise. Partant d'un historique de sessions, il s'agit de proposer une m�thode d'apprentissage supervis� doubl�e d'un classifieur permettant d'extraire les connaissances n�cessaires pour identifier la pr�sence ou non d'une intrusion dans une session et dans le cas positif de reconna�tre son type et de pr�voir les �ventuelles intrusions qui l'ensuivent. L'originalit� de notre approche est qu'elle int�gre dans le cadre d'un syst�me global anti-intrusions d�tection d'intrusions au niveau des h�tes (HIDS) et pr�vision d'intrusions au niveau du r�seau (NIPS), se basant dans les deux couches sur une hybridation bay�sienne possibiliste. Les donn�es utilis�es pour l'exp�rimentation de notre syst�me sont propos�es par KDD'99 et DARPA 2000. Les r�sultats exp�rimentaux prouvent que le syst�me de d�tection et de pr�vision d'intrusions � base d'une hybridation bay�sienne possibiliste ici propos�e peut efficacement g�rer l'incertitude et l'impr�cision et exploiter toutes les donn�es disponibles.
