Haouichi Salah Eddineencadré par Aouiche Chaima2026-11-192026-11-192026-06-09http://raseed.univ-tebessa.dz:4000/handle/123456789/13987L'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.enIntelligence Artificielle ExplicableDétection d'Intrusions RéseauSécurité IoTSHAPRéseau de Neurones ProfondBaggingStackingCIC IoT-DIAD 2024.Evaluating Explainable Artificial Intelligence (XAI) in the Network Security Domain A Case StudyThesis