La sécurité des applications web basée sur l’apprentissage automatique

Abstract

Avec la croissance rapide des applications web, les plateformes en ligne sont devenues des cibles privilégiées pour de nombreuses attaques. Les méthodes traditionnelles de sécurité, bien qu'encore utilisées, montrent aujourd’hui leurs limites face à des menaces de plus en plus sophistiquées. Ce mémoire explore l’intégration de l’apprentissage automatique comme solution intelligente pour renforcer la sécurité des applications web. Dans une première partie, nous avons présenté les principales vulnérabilités web (injection SQL, XSS, CSRF, DoS, etc.) ainsi que les techniques classiques de protection. Ensuite, nous avons étudié les apports de l’apprentissage automatique à travers une sélection de datasets spécialisés et des méthodes de prétraitement rigoureuses. Dans la partie expérimentale, plusieurs modèles de classification ont été appliqués (Random Forest, LightGBM, XGBoost) sur deux datasets (CSIC_HTTPParams et SR-BH 2020), permettant d’évaluer leur efficacité dans la détection des attaques. Enfin, une expérimentation réelle a été réalisée dans un environnement local simulé, permettant de tester le système dans des conditions proches du contexte opérationnel. Les résultats obtenus confirment que l’apprentissage automatique constitue une approche prometteuse pour améliorer les mécanismes de détection d’intrusion dans les applications web.