La détection d’anomalies demeure une tâche cruciale pour assurer une gestion efficace et flexible d’un réseau. Récemment, les noyaux de graphes ont connu un grand succès dans de nombreux domaines, notamment en bio-informatique et vision artificielle. Notre travail vise à étudier leur pouvoir de discrimination dans le domaine des réseaux afin de détecter les vulnérabilités et catégoriser le trafic. Dans cet article, nous présentons Nadege, un système d’apprentissage à l’intérieur duquel nous concevons un nouveau noyau de graphe adapté au profilage de réseaux. De surcroît, nousproposons des algorithmes avec des garanties d’approximation théoriques ainsi qu’une politique de détection hybride. Finalement, nous évaluons les performances de Nadege en menant des expériences approfondies sur une variété d’environnements réseaux. Pour différents scénarios, nous montrons son efficacité à empêcher les anomalies de perturber le réseau tout en fournissant une assistance pour la surveillance du trafic.