Repository logo
 

Evaluating Explainable Artificial Intelligence (XAI) in the Network Security Domain A Case Study

dc.contributor.authorHaouichi Salah Eddine
dc.contributor.authorencadré par Aouiche Chaima
dc.date.accessioned2026-11-19T12:09:27Z
dc.date.available2026-11-19T12:09:27Z
dc.date.issued2026-06-09
dc.description.abstractL'expansion rapide des infrastructures de l'Internet des Objets a profondément modifié le paysage des menaces en matière de sécurité réseau, engendrant des environnements où le volume, la vitesse et la diversité du trafic malveillant dépassent les capacités des systèmes de détection basés sur des règles et des équipes d'analystes humains. L'apprentissage automatique constitue une alternative puissante, mais les modèles les plus performants — réseaux de neurones profonds et méthodes d'ensemble — sont précisément ceux dont le raisonnement interne est le plus opaque, créant un fossé entre capacité prédictive et interprétabilité opérationnelle. Ce mémoire examine si l'intelligence artificielle explicable (XAI) peut combler ce fossé dans le contexte de la détection d'intrusions réseau pour les environnements IoT. Un cadre expérimental comparatif a été construit, dans lequel trois architectures distinctes — un réseau de neurones profond (DNN), un ensemble Bagging basé sur la forêt aléatoire, et un ensemble Stacking à deux niveaux — ont été entraînées et évaluées sur le jeu de données CIC IoT-DIAD 2024, comprenant 27 713 532 enregistrements de flux réseau étiquetés décrits par 36 caractéristiques. Chaque modèle a été évalué non seulement sur des métriques de détection standard, mais également sur la qualité, la cohérence et l'interprétabilité opérationnelle des attributions SHAP produites. Les trois architectures ont dépassé 97% de précision et 97% de F1-score sur l'ensemble de test. L'ensemble Bagging a atteint la précision la plus élevée (99,76%) et le nombre de faux positifs le plus faible (188), tandis que l'ensemble Stacking a obtenu le meilleur rappel (96,71%) et le nombre de faux négatifs le plus faible (2 622). L'analyse SHAP a identifié trois caractéristiques — SYN Flag Count, Bwd Packet Length Max et Flow IAT Min — apparaissant systématiquement dans le top 10 des trois architectures. La corrélation de rang de Spearman a révélé que la cohérence des attributions est dépendante de l'architecture : Bagging et Stacking produisent des classements fortement corrélés (ρ = 0,7521), tandis que le DNN diverge significativement (ρ ≈ 0,12–0,20). L'ensemble Bagging est recommandé comme architecture optimale, combinant fiabilité de détection, exactitude des explications et faisabilité computationnelle.
dc.description.provenanceSubmitted by Bibliotheque ST (assma-st@univ-tebessa.dz) on 2026-11-19T12:09:27Z No. of bitstreams: 1 final thesis - 5G MEDIA.pdf: 2577344 bytes, checksum: 0180aef947b65cf0dc457c899cdfb396 (MD5)en
dc.description.provenanceMade available in DSpace on 2026-11-19T12:09:27Z (GMT). No. of bitstreams: 1 final thesis - 5G MEDIA.pdf: 2577344 bytes, checksum: 0180aef947b65cf0dc457c899cdfb396 (MD5) Previous issue date: 2026-06-09en
dc.identifier.urihttp://raseed.univ-tebessa.dz:4000/handle/123456789/13987
dc.language.isoen
dc.publisherUNIVERSITE DE ECHAHID CHEIKH LARBI TEBESSI
dc.subjectIntelligence Artificielle Explicable
dc.subjectDétection d'Intrusions Réseau
dc.subjectSécurité IoT
dc.subjectSHAP
dc.subjectRéseau de Neurones Profond
dc.subjectBagging
dc.subjectStacking
dc.subjectCIC IoT-DIAD 2024.
dc.titleEvaluating Explainable Artificial Intelligence (XAI) in the Network Security Domain A Case Study
dc.typeThesis

Files

Original bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
final thesis - 5G MEDIA.pdf
Size:
2.46 MB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: