An AI-powered self-defence system for Web Applications

Abstract

Avec le développement rapide des applications web, les sites internet sont devenus des cibles fréquentes pour différentes attaques informatiques. Les méthodes de sécurité traditionnelles restent utiles, mais elles ne sont plus toujours suffisantes face à des attaques de plus en plus complexes.Ce mémoire présente la conception et le développement d’un système d’auto-défense pour applications web basé sur l’intelligence artificielle. L’objectif principal est d’exploiter les capacités de l'apprentissage automatique, une branche clé de l'IA, afin de détecter automatiquement les requêtes malveillantes avant qu’elles ne compromettent la sécurité de l’application. Dans ce cadre, nous étudions plusieurs types d’attaques web courantes, notamment les injections SQL, les attaques Cross-Site Scripting (XSS), les attaques Cross-Site Request Forgery (CSRF) ainsi que d’autres menaces ciblant les applications web.Pour entraîner et évaluer les modèles d’intelligence artificielle, deux ensembles de données spécialisés ont été utilisés : SRBH-2020 et CSIC-ECML Combined Dataset. Les données ont subi différentes étapes de prétraitement, de nettoyage et de transformation afin de les rendre exploitables par les algorithmes de classification. Plusieurs modèles d’apprentissage automatique, notamment CatBoost, LightGBM et Random Forest, ont ensuite été implémentés et comparés afin d’identifier la solution la plus performante pour la détection des attaques.Enfin, le modèle retenu a été intégré dans une application web de vente de matériel informatique afin de constituer un mécanisme de défense intelligent capable d’analyser les requêtes HTTP en temps réel et de distinguer automatiquement les requêtes légitimes des tentatives d’attaque. Les résultats expérimentaux obtenus démontrent que l’intégration de l’intelligence artificielle dans les applications web permet d’améliorer significativement la détection des menaces et de renforcer la sécurité globale du système