Big Data et cybersécurité grâce à l'apprentissage automatique

La cybersécurité dans le contexte du big data est connue pour être un problème critique et représente un grand défi pour la communauté des chercheurs. Les algorithmes d'apprentissage automatique ont été proposés comme candidats pour traiter les problèmes de sécurité des big data. Parmi ces algorithmes, les machines à vecteurs de support (SVM) ont connu un succès remarquable sur divers problèmes de classification. Cependant, pour établir un SVM efficace, l'utilisateur doit nier la configuration adéquate du SVM à l'avance, ce qui est une tâche difficile qui nécessite des connaissances d'expert et une grande quantité d'efforts manuels pour les essais et les erreurs. Ici, nous formulons le processus de configuration du SVM comme un problème d'optimisation bi-objectif dans lequel la précision et la complexité du modèle sont considérées comme deux objectifs conflictuels. Nous proposons un nouveau cadre hyper-heuristique pour l'optimisation bi-objectif qui est indépendant du domaine du problème. C'est la première fois qu'une hyper-heuristique est développée pour ce problème. Le cadre hyper-heuristique proposé se compose d'une stratégie de haut niveau et d'une heuristique de bas niveau.