Deep Learning Concept

ML Network Monitoring Anomaly Detection System

Surveillance réseau nouvelle génération propulsée par des Autoencodeurs. Apprenez la normalité pour mieux détecter l'anomalie, sans règles statiques.

PyTorch Autoencoders Python Supabase Streamlit Dashboard

Une Approche Prédictive

Dépasser les limites des IDS traditionnels

Comment ça marche ?

Architecture du système de détection

Le Workflow

Une pipeline de données optimisée pour la performance :

  1. Collecte : Capture des paquets et extraction des métriques (Flows).
  2. Préprocessing : Normalisation et nettoyage des données pour le modèle.
  3. Inférence : Passage dans l'Autoencodeur. Calcul de l'erreur de reconstruction.
  4. Décision : Si l'erreur > seuil dynamique, le flux est marqué comme anomalie.
  5. Stockage : Sauvegarde dans Supabase pour analyse et reporting.
Voir la documentation technique complète
Trafic Réseau (Raw)
⬇️
Preprocessing & Features
⬇️
Autoencoder (PyTorch)
⬇️
Normal
Anomalie

Architecture simplifiée

Envie d'approfondir ?

Consultez la documentation technique détaillée pour voir le code et les modèles mathématiques.

Documentation Technique Retour aux projets