La d\u00e9tection des anomalies, \u00e9galement connue sous le nom de d\u00e9tection des valeurs aberrantes, fait r\u00e9f\u00e9rence au processus d'identification de mod\u00e8les de donn\u00e9es qui s'\u00e9cartent consid\u00e9rablement du comportement attendu. Ces anomalies peuvent fournir des informations importantes, souvent critiques, dans divers domaines, notamment la d\u00e9tection des fraudes, la s\u00e9curit\u00e9 des r\u00e9seaux et la surveillance de l'\u00e9tat du syst\u00e8me. En cons\u00e9quence, les techniques de d\u00e9tection d\u2019anomalies sont de la plus haute importance dans les domaines qui g\u00e8rent de grandes quantit\u00e9s de donn\u00e9es, tels que les technologies de l\u2019information, la cybers\u00e9curit\u00e9, la finance, la sant\u00e9, etc.<\/p>\n
Le concept de d\u00e9tection d\u2019anomalies remonte aux travaux des statisticiens du d\u00e9but du XIXe si\u00e8cle. L'une des premi\u00e8res utilisations de ce concept se trouve dans le domaine du contr\u00f4le qualit\u00e9 des processus de fabrication, o\u00f9 il fallait d\u00e9tecter des variations inattendues dans les produits produits. Le terme lui-m\u00eame a \u00e9t\u00e9 popularis\u00e9 dans le domaine de l\u2019informatique et de la cybern\u00e9tique dans les ann\u00e9es 1960 et 1970, lorsque les chercheurs ont commenc\u00e9 \u00e0 utiliser des algorithmes et des m\u00e9thodes informatiques pour d\u00e9tecter des mod\u00e8les anormaux dans des ensembles de donn\u00e9es.<\/p>\n
Les premi\u00e8res mentions de syst\u00e8mes automatis\u00e9s de d\u00e9tection d\u2019anomalies dans le domaine de la s\u00e9curit\u00e9 des r\u00e9seaux et de la d\u00e9tection d\u2019intrusion remontent \u00e0 la fin des ann\u00e9es 1980 et au d\u00e9but des ann\u00e9es 1990. La num\u00e9risation croissante de la soci\u00e9t\u00e9 et l\u2019augmentation des cybermenaces qui en r\u00e9sulte ont conduit au d\u00e9veloppement de m\u00e9thodes sophistiqu\u00e9es pour d\u00e9tecter les anomalies dans le trafic r\u00e9seau et le comportement des syst\u00e8mes.<\/p>\n
Les techniques de d\u00e9tection d'anomalies se concentrent essentiellement sur la recherche de mod\u00e8les dans les donn\u00e9es qui ne sont pas conformes au comportement attendu. Ces \u00ab anomalies \u00bb se traduisent souvent par des informations critiques et exploitables dans plusieurs domaines d'application.<\/p>\n
Les anomalies sont class\u00e9es en trois types\u00a0:<\/p>\n
Anomalies ponctuelles<\/strong>: Une instance de donn\u00e9es individuelle est anormale si elle est trop \u00e9loign\u00e9e du reste.<\/p>\n<\/li>\n Anomalies contextuelles<\/strong>: L'anomalie est sp\u00e9cifique au contexte. Ce type d'anomalie est courant dans les donn\u00e9es de s\u00e9ries chronologiques.<\/p>\n<\/li>\n Anomalies collectives<\/strong>: Un ensemble d'instances de donn\u00e9es aide collectivement \u00e0 d\u00e9tecter les anomalies.<\/p>\n<\/li>\n<\/ol>\n Les strat\u00e9gies de d\u00e9tection des anomalies peuvent \u00eatre class\u00e9es comme suit\u00a0:<\/p>\n M\u00e9thodes statistiques<\/strong>: Ces m\u00e9thodes mod\u00e9lisent le comportement normal et d\u00e9clarent comme anomalie tout ce qui ne correspond pas \u00e0 ce mod\u00e8le.<\/p>\n<\/li>\n M\u00e9thodes bas\u00e9es sur l'apprentissage automatique<\/strong>: Il s'agit de m\u00e9thodes d'apprentissage supervis\u00e9es et non supervis\u00e9es.<\/p>\n<\/li>\n<\/ol>\n Le processus de d\u00e9tection des anomalies d\u00e9pend largement de la m\u00e9thode utilis\u00e9e. Cependant, la structure fondamentale de la d\u00e9tection des anomalies implique trois \u00e9tapes principales\u00a0:<\/p>\n Construction de mod\u00e8les<\/strong>: La premi\u00e8re \u00e9tape consiste \u00e0 construire un mod\u00e8le de ce qui est consid\u00e9r\u00e9 comme un comportement \u00ab normal \u00bb. Ce mod\u00e8le peut \u00eatre construit \u00e0 l'aide de diverses techniques, notamment des m\u00e9thodes statistiques, le regroupement, la classification et les r\u00e9seaux de neurones.<\/p>\n<\/li>\n D\u00e9tection d'une anomalie<\/strong>: L'\u00e9tape suivante consiste \u00e0 utiliser le mod\u00e8le construit pour identifier les anomalies dans les nouvelles donn\u00e9es. Cela se fait g\u00e9n\u00e9ralement en calculant l'\u00e9cart de chaque point de donn\u00e9es par rapport au mod\u00e8le de comportement normal.<\/p>\n<\/li>\n \u00c9valuation des anomalies<\/strong>: La derni\u00e8re \u00e9tape consiste \u00e0 \u00e9valuer les anomalies identifi\u00e9es et \u00e0 d\u00e9cider s'il s'agit de v\u00e9ritables anomalies ou simplement de points de donn\u00e9es inhabituels.<\/p>\n<\/li>\n<\/ol>\n Plusieurs fonctionnalit\u00e9s cl\u00e9s rendent les techniques de d\u00e9tection d\u2019anomalies particuli\u00e8rement utiles\u00a0:<\/p>\n Il existe de nombreuses fa\u00e7ons de cat\u00e9goriser les m\u00e9thodes de d\u00e9tection d\u2019anomalies. Voici quelques-uns des plus courants\u00a0:<\/p>\n\n
Le m\u00e9canisme sous-jacent de la d\u00e9tection des anomalies<\/h2>\n
\n
Principales caract\u00e9ristiques de la d\u00e9tection des anomalies<\/h2>\n
\n
Types de m\u00e9thodes de d\u00e9tection d'anomalies<\/h2>\n