Machine Learning and Statistical Verification for Security - Archive ouverte HAL Access content directly
Theses Year : 2020

Machine Learning and Statistical Verification for Security

Apprentissage et Vérification Statistique pour la Sécurité

Abstract

The main objective of this thesis is to combine the advantages of probabilistic graphical model learning and formal verifica- tion in order to build a novel strategy for secu- rity assessments. The second objective is to assess the security of a given system by veri- fying whether it satisfies given properties and, if not, how far is it from satisfying them. We are interested in performing formal verification of this system based on event sequences col- lected from its execution. Consequently, we propose a model-based approach where a Re- cursive Timescale Graphical Event Model (RT- GEM), learned from the event streams, is con- sidered to be representative of the underlying system. This model is then used to check a se- curity property. If the property is not verified, we propose a search methodology to find an- other close model that satisfies it. We discuss and justify the different techniques we use in our approach and we adapt a distance mea- sure between Graphical Event Models. The distance measure between the learned "fittest" model and the found proximal secure model gives an insight on how far our real system is from verifying the given property. For the sake of completeness, we propose series of exper- iments on synthetic data allowing to provide experimental evidence that we can attain the desired goals.
Les principaux objectifs poursui- vis au cours de cette thèse sont en premier lieu de pouvoir combiner les avantages de l’apprentissage graphique probabiliste de mo- dèles et de la vérification formelle afin de pouvoir construire une nouvelle stratégie pour les évaluations de sécurité. D’autre part, il s’agit d’évaluer la sécurité d’un système réel donné. Par conséquent, nous proposons une approche où un "Recursive Timescale Graphi- cal Event Model (RTGEM)" appris d’après un flux d’évènements est considéré comme re- présentatif du système sous-jacent. Ce mo- dèle est ensuite utilisé pour vérifier une pro- priété de sécurité. Si la propriété n’est pas vé- rifiée, nous proposons une méthodologie de recherche afin de trouver un autre modèle qui la vérifiera. Nous analysons et justifions les différentes techniques utilisées dans notre ap- proche et nous adaptons une mesure de dis- tance entre Graphical Event Models. La me- sure de distance entre le modèle appris et le proximal secure model trouvé nous donne un aperçu d’à quel point notre système réel est loin de vérifier la propriété donnée. Dans un soucis d’exhaustivité, nous proposons des sé- ries d’expériences sur des données de syn- thèse nous permettant de fournir des preuves expérimentales que nous pouvons atteindre les objectifs visés.
Fichier principal
Vignette du fichier
Manuscrit_DimitriAntakly.pdf (1.08 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

tel-02891862 , version 1 (20-07-2020)

Identifiers

  • HAL Id : tel-02891862 , version 1

Cite

Dimitri Antakly. Machine Learning and Statistical Verification for Security. Machine Learning [cs.LG]. Université de Nantes (UN), FRA., 2020. English. ⟨NNT : ⟩. ⟨tel-02891862⟩
173 View
100 Download

Share

Gmail Facebook X LinkedIn More