Détection des Malwares basée sur l’Intelligence Artificielle (IA)

Informations

Établissement

Université Gaston Berger

Date de soutenance

14/02/2026

Résumé

L’évolution rapide des cybermenaces et la sophistication croissante des logiciels malveillants ont rendu les méthodes traditionnelles de détection, telles que les techniques basées sur les signatures ou l’analyse comportementale classique, insuffisantes face aux malwares modernes polymorphes, métamorphiques et fortement obfusqués. Ce mémoire explore l’apport de l’apprentissage profond dans l’amélioration de la détection automatique des malwares. Après avoir présenté l’état de l’art sur les familles de malwares, leurs techniques d’évasion et les limites des approches classiques ; le travail analyse les modèles modernes de Deep Learning notamment CNN, RNN, LSTM, GRU et MLP en détaillant leurs architectures et principes de
fonctionnement. Deux jeux de données représentatifs, EMBER_2018 et CIC-MalMem2022 ont été utilisés pour concevoir, implémenter et évaluer plusieurs modèles, dont un CNN2D, un modèle hybride CNN1D+LSTM, un MLP et un LSTM. Les résultats expérimentaux montrent que les approches basées sur le Deep Learning offrent une performance élevée en termes de précision, rappel et F1-score, avec une capacité accrue à détecter des menaces complexes. Ce travail met en évidence le potentiel du Deep Learning comme alternative robuste aux méthodes classiques et ouvre des perspectives pour l’optimisation des modèles et leur adaptation à des environnements réels.