Scribd
Importer
0 vues2 pages

Machine Larning (22)

Ce projet vise à développer un classifieur de malwares basé sur l'analyse statique et le Machine Learning, en utilisant des fichiers au format Portable Executable (PE). Il se concentre sur la transformation de caractéristiques structurelles en descripteurs numériques pour optimiser la détection des menaces tout en minimisant les fausses alertes. Trois algorithmes seront comparés, et le modèle le plus performant sera optimisé et déployé via une architecture micro-service.

Transféré par

albadaramedoune
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
0 vues2 pages

Machine Larning (22)

Ce projet vise à développer un classifieur de malwares basé sur l'analyse statique et le Machine Learning, en utilisant des fichiers au format Portable Executable (PE). Il se concentre sur la transformation de caractéristiques structurelles en descripteurs numériques pour optimiser la détection des menaces tout en minimisant les fausses alertes. Trois algorithmes seront comparés, et le modèle le plus performant sera optimisé et déployé via une architecture micro-service.

Transféré par

albadaramedoune
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Classification de Malwares par Analyse

Statique et Apprentissage Supervisé


Projet Machine Learning

27 mars 2026

1 Introduction et Contexte
La prolifération des menaces informatiques sous Windows nécessite des outils de dé-
tection capables de traiter des fichiers au format Portable Executable (PE). Face aux
limites des signatures traditionnelles, l’approche par Machine Learning permet d’identi-
fier des comportements malveillants de manière heuristique. Ce projet vise à concevoir un
classifieur intelligent basé sur l’analyse statique, évitant ainsi les risques liés à l’exécution
de codes suspects.

2 Problématique
Le défi majeur de ce projet consiste à transformer des caractéristiques structurelles
brutes, issues d’un dataset propriétaire au format Excel, en descripteurs numériques
discriminants. L’enjeu est de déterminer quel algorithme offre le meilleur compromis entre
la détection des menaces (Rappel) et la réduction des fausses alertes (Précision).

3 Objectifs du Projet
3.1 Exploitation du Dataset et Prétraitement
Le projet s’appuie sur un jeu de données structuré regroupant les métadonnées de
fichiers sains et malveillants. Les étapes clés incluent :
— Analyse Exploratoire : Visualisation des données et identification des tendances.
— Normalisation : Mise à l’échelle des données pour les algorithmes sensibles aux
distances.

1
3.2 Étude Comparative Multimodèle
Trois architectures algorithmiques seront mises en concurrence :
1. Support Vector Machine (SVM) : Pour sa précision dans les espaces de haute
dimension.
2. Random Forest : Pour sa robustesse face au bruit et aux données tabulaires.
3. K-Nearest Neighbors (KNN) : Pour son approche basée sur la proximité géo-
métrique.

3.3 Optimisation du Modèle Champion


Le modèle présentant le meilleur F1-Score fera l’objet d’une optimisation avancée via
la méthode GridSearchCV pour affiner les hyperparamètres.

3.4 Déploiement et Inférence


Mise en œuvre d’une architecture micro-service permettant :
— L’upload d’un binaire (.exe, .dll).
— L’extraction dynamique via la bibliothèque pefile.
— La prédiction instantanée par le modèle optimisé via une interface FastAPI, Flask
ou Streamlit.

4 Méthodologie et Évaluation
La performance sera évaluée selon la métrique du F1-Score, calculée comme suit :
Précision · Rappel
F1 = 2 · (1)
Précision + Rappel

5 Environnement Technique
— Langage : Python 3.10+
— Analyse PE : pefile
— Machine Learning : Scikit-learn, Pandas, Joblib
— Déploiement : FastAPI, Flask ou Streamlit.

Vous aimerez peut-être aussi