Conception et optimisation d’un

système de détection d’intrusions à

base de l’analyse discriminante
optimisé par :
Harmony Search Algorithm

JALOUQI Fahd
Présenté par DRISSI KABIR Chadi

Supervisé par Pr. MJAHED

Année universitaire : 2022/2023
 Plan

Introduction Principe de HS
01 -Généralités sur l’IDS 02 -Analogie entre la musique
-Définition de Métaheuristique et l’optimisation
-L’histoire de HS -L'algorithme HS

HS dans l’optimisation d’un

IDS
03 Despite being red, Mars is 04 Conclusion
actually a very cold place
01 Introduction
 Définition ‘IDS’

Un système de détection d'intrusion (IDS) est un système qui

surveille le trafic réseau pour détecter toute activité suspecte et
alerte lorsqu'une telle activité est découverte,
 Familles d’IDS
Il existe deux grandes familles distinctes d’IDS  :

 Les N-IDS (Network Based Intrusion Detection System), ils

assurent la sécurité au niveau du réseau.

 Les H-IDS (Host Based Intrusion Detection System), ils assurent

la sécurité au niveau des hôtes.

 
 Types d’IDS
Dans l’ultime but de détecter toutes sortes d’intrusions, les IDS disposent
de deux différentes approches :

• IDS à signature,

• IDS comportementaux
 Définition de Métaheuristique
Le mot métaheuristique est dérivé de la composition de deux mots
grecs:

01 02

META Heuristique
Qui vient du verbe heuriskein qui est un suffixe signifiant ‘au-
(euriskein) et qui signifie delà’, ‘dans un niveau
‘trouver’ supérieur’
Les Métaheuristiques sont des stratégies qui permettent de
guider la recherche d’une solution optimale ; son but est
d’explorer l’espace de recherche efficacement afin de
déterminer des solutions (presque) optimales ; Les
techniques qui constituent des algorithmes de type
métaheuristique vont de la simple procédure de recherche
locale à des processus d’apprentissage complexes.
 L’histoire de HS

A l’inverse de certaines métaheuristiques qui s’inspirent des

phénomènes naturels, nous sommes intéressés à une
métaheuristique qui s’appelle la recherche d’harmonie , en
anglais HS (Harmony Search), proposée par Geem et ses
collègues 2001, cette recherche s’inspire du processus de
recherche de la meilleure harmonie musicale dans un orchestre
musical de Jazz, ou chaque musicien joue une note avec des
différents instruments musicales à la fois pour trouver
l’harmonie parfaite.
02 Principe de HS
Comparaison entre le processus musical et le
processus d’optimisation
Dans le HS, chaque
musicien (variable de décision)
joue (génère) une note (une valeur ) pour
trouver une meilleure harmonie
(optimum global) de tout ensemble.
 Analogie entre la musique et l’optimisation
01
Improvisation Musicale
• Jouer une note de la mémoire d'harmonie
• Jouer une note proche d'une autre
enregistrée en mémoire
• Jouer une note au hasard dans la plage
possible
02
Optimisation
• De nouvelles valeurs variables sont
sélectionnées dans la mémoire d'harmonie
• Remplacement des nouvelles valeurs par
d'autres valeurs proches des valeurs
actuelles
• De nouvelles valeurs de variables sont
sélectionnées au hasard dans la plage
possible
 L’algorithme Harmony Search

Etape 1 Etape 2 Etape 3 Etape 4

Initialisation Improvisation Mise à jour L’arrêt

Génération Création de Modification des Répétition de
aléatoirement de nouveaux vecteurs de HM processus jusqu’à
HM (harmony vecteurs pour ce que le critère
memory) l’optimisation d’arrêt soit eteint
Etape 1

Etape 2

Etape 3

Etape 4
 L’algorithme Harmony Search
Etape 1: Initialisation de HM

La population initiale que contient HM de vecteurs HMS

(Harmony memory size) est générée aléatoirement
comme suit :

Xi,j = lj + rand() . (Uj - lj)

HM structure:
 L’algorithme Harmony Search
Etape 2 : Improvisation de nouveaux vecteurs
Comporte trois étapes :
1-Considération de la mémoire
• Choisir n'importe quelle valeur de HM
HMCR Intensification
• La valeur de HMCR spécifie la probabilité de
choisir la valeur à partir des valeurs historiques
stockées dans HM

• Les valeurs typiques de HMCR sont de 70 % à

95 %) HMCR Diversification
 L’algorithme Harmony Search
Etape 2 : Improvisation de nouveaux vecteurs
2-Réglage de Pitch
• Chaque composant de la nouvelle harmonie
choisie à partir de HM est susceptible d'être ajusté
en hauteur.
• Similaire à la procédure de mutation dans
l'algorithme génétique

3-Sélection aléatoire
• sélectionner une valeur totalement aléatoire dans
la plage de valeurs possibles
• Accroître la diversité des solutions
 L’algorithme Harmony Search
Etape 3: Mise à jour de HM
• Si le nouveau vecteur d'harmonie est meilleur que
la pire harmonie, remplacer la pire harmonie dans
le HM
If (xnew < xworst) then
Update the HM as xworst = xnew
End if

Etape 4 : Critère d’arrêt

• Si le critère d'arrêt est satisfait, le calcul est
terminé. Sinon, répétez les étapes 3 et 4
 The history 03
You can enter a subtitle here if
you need it
04 HS on IDS
On dispose d’une base
de données classifiées,
formée par 2 million
d’intrusions détectées
par un IDS,

Le but est de faire une

analyse discriminant
linéaire entre la classe1
et la classe2, en suit,
optimiser le résultat de
l’analyse par
l’algorithme HS
 L’analyse Discriminant Linéaire 
Etape 1
Nettoyage des deux classes (C1
et C5) afin d’éliminer les lignes
moins informatives.
Etape 3
Calcule de la matrice de
variance totale puis les
coefficients de la fonction
discriminante
Etape 5
calcule des efficacités puis
l’efficacité moyenne
Etape2
Initialisation des classes sous
forme matricielle de 20000x78
Etape 4
Calcule des paramètres de la
fonction discriminante puis la
simuler
Etape 6
Ordonner les variables par ordre
décroissant d’efficacité
 L’algorithme Harmony Search
Etape 1-2- : initialisation des classes sous forme matricielle de 20000x78

Classe 1 (10000x78)

Classe 2 (10000x78)
 CODE MATLAB
Etape 3

Etape 4

Etape 5
 L’algorithme Harmony Search
séparation entre les deux classes projetées sur deux variables (Var1 Var2)
 L’analyse Discriminant Linéaire optimiser par le HS

Etape 1 Etape 2 Etape 3 Etape 4

Initialisation Procéder a la Récupérer les Interprétation

des paramètres recherche du résultats des résultats
d’entrées point optimale
Etape 1

Etape 2

Etape 3
L’analyse Discriminant Linéaire optimiser par le HS

Résultats récupérées
L’analyse Discriminant Linéaire optimiser par le HS

Etape 4 : Interprétation des résultats 

L’analyse Discriminant Linéaire optimiser par le HS

Comparaison 
 Merci
Beaucoup