{"id":2316,"date":"2018-02-13T11:36:12","date_gmt":"2018-02-13T11:36:12","guid":{"rendered":"http:\/\/docs.creativegigs.net\/docs\/gullu-wp\/faqs\/how-to-apply-custom-css-code\/"},"modified":"2025-12-15T15:15:20","modified_gmt":"2025-12-15T15:15:20","slug":"how-to-apply-custom-css-code","status":"publish","type":"docs","link":"https:\/\/sahelib.atatec-design.com\/index.php\/docs\/gullu-knowledge-base\/faqs\/how-to-apply-custom-css-code\/","title":{"rendered":"Une revue de la d\u00e9tection d’anomalies bas\u00e9e sur l’apprentissage profond"},"content":{"rendered":"

R\u00e9sume<\/span><\/h2>\n
\n
Avec le d\u00e9veloppement rapide des technologies, la d\u00e9tection d’anomalies est devenue un sujet cl\u00e9 tant en recherche qu’en applications pratiques. Ces derni\u00e8res ann\u00e9es, l’apprentissage profond a d\u00e9montr\u00e9 sa capacit\u00e9 remarquable \u00e0 appr\u00e9hender les caract\u00e9ristiques de donn\u00e9es complexes et \u00e0 extraire automatiquement les sch\u00e9mas d’anomalies, stimulant ainsi le d\u00e9veloppement rapide des m\u00e9thodes de d\u00e9tection d’anomalies bas\u00e9es sur l’apprentissage profond. Cet article pr\u00e9sente une vue d’ensemble syst\u00e9matique des m\u00e9thodes de d\u00e9tection d’anomalies, en mettant l’accent sur les approches fond\u00e9es sur l’apprentissage automatique et l’apprentissage profond. Sur cette base, et selon le type de donn\u00e9es d’entr\u00e9e, ces m\u00e9thodes sont ensuite class\u00e9es en d\u00e9tection d’anomalies sur donn\u00e9es non temporelles et sur donn\u00e9es temporelles. Les diff\u00e9rences entre les principales techniques actuelles de d\u00e9tection d’anomalies, en termes de performances, d’avantages, d’inconv\u00e9nients et de sc\u00e9narios d’application, sont \u00e9galement analys\u00e9es en d\u00e9tail. L’\u00e9tude montre que les m\u00e9thodes d’apprentissage profond pr\u00e9sentent des avantages significatifs pour le traitement de donn\u00e9es complexes de grande dimension et l’extraction de caract\u00e9ristiques d’anomalies potentielles. Enfin, les d\u00e9fis actuels de la d\u00e9tection d’anomalies sont r\u00e9sum\u00e9s et les perspectives de recherche futures sont esquiss\u00e9es.<\/span><\/div>\n<\/div>\n\n\n

Introduction<\/h2>\n\n\n\n

La d\u00e9tection d’anomalies, \u00e9galement appel\u00e9e d\u00e9tection de valeurs aberrantes ou d\u00e9tection de nouveaut\u00e9s, vise \u00e0 identifier les sch\u00e9mas anormaux dans les donn\u00e9es qui ne correspondent pas au comportement attendu. Ces anomalies peuvent provenir de divers facteurs, tels que des erreurs de collecte de donn\u00e9es, des comportements frauduleux, des pannes d’\u00e9quipement et des intrusions r\u00e9seau. Par exemple, dans le trafic r\u00e9seau, une augmentation soudaine du volume de donn\u00e9es peut \u00eatre le signe d’une attaque. La d\u00e9tection d’anomalies est une technique essentielle en analyse de donn\u00e9es et en apprentissage automatique. La d\u00e9tection rapide des anomalies permet d’anticiper les probl\u00e8mes potentiels, renfor\u00e7ant ainsi la s\u00e9curit\u00e9 et la stabilit\u00e9 du syst\u00e8me. Dans le domaine de la recherche sur la d\u00e9tection d’anomalies, de nombreuses techniques ont \u00e9t\u00e9 d\u00e9velopp\u00e9es pour des domaines d’application sp\u00e9cifiques, tandis que d’autres pr\u00e9sentent une applicabilit\u00e9 plus large. La d\u00e9tection d’anomalies est utilis\u00e9e dans de nombreux domaines et contextes.Dans le domaine de l’apprentissage automatique, de nombreuses techniques ont \u00e9t\u00e9 employ\u00e9es pour la d\u00e9tection d’anomalies. Parmi celles-ci figurent les m\u00e9thodes bas\u00e9es sur la densit\u00e9 (par exemple, le facteur d’anomalie locale, LOF), les m\u00e9thodes de clustering (par exemple, K-means, DBSCAN), les m\u00e9thodes arborescentes (par exemple, Isolation Forest), les m\u00e9thodes bas\u00e9es sur les SVM (par exemple, SVM \u00e0 une classe) et les approches bas\u00e9es sur les r\u00e9seaux bay\u00e9siens (RB). Cependant, toutes ces m\u00e9thodes pr\u00e9sentent des limitations, et la d\u00e9tection d’anomalies reste insatisfaisante en pr\u00e9sence de donn\u00e9es d\u00e9s\u00e9quilibr\u00e9es, de raret\u00e9 des \u00e9tiquettes, de donn\u00e9es de grande dimension et d’une complexit\u00e9 de calcul \u00e9lev\u00e9e. Ces derni\u00e8res ann\u00e9es, l’apprentissage profond a d\u00e9montr\u00e9 sa grande efficacit\u00e9 pour l’extraction automatique de caract\u00e9ristiques et la mod\u00e9lisation de distributions de donn\u00e9es complexes, stimulant ainsi l’\u00e9volution continue des m\u00e9thodes de d\u00e9tection d’anomalies. L’apprentissage profond est un sous-domaine de l’apprentissage automatique qui apprend la repr\u00e9sentation des donn\u00e9es \u00e0 l’aide de r\u00e9seaux de neurones multicouches. Il poss\u00e8de une plus grande capacit\u00e9 d’expression que les m\u00e9thodes d’apprentissage automatique traditionnelles. Capable d’extraire automatiquement des caract\u00e9ristiques \u00e0 partir de donn\u00e9es brutes, il excelle dans une vari\u00e9t\u00e9 de t\u00e2ches complexes. De plus, gr\u00e2ce \u00e0 l’apprentissage de caract\u00e9ristiques multiniveaux, les mod\u00e8les d’apprentissage profond peuvent r\u00e9duire le taux de fausses alarmes et am\u00e9liorer la pr\u00e9cision de la d\u00e9tection d’anomalies. Par exemple, les r\u00e9seaux de neurones convolutifs (CNN) peuvent traiter efficacement le bruit et extraire des caract\u00e9ristiques utiles lors du traitement d’images. Les auto-encodeurs (AE) peuvent \u00eatre entra\u00een\u00e9s avec moins de donn\u00e9es \u00e9tiquet\u00e9es. Les r\u00e9seaux de neurones r\u00e9currents (RNN), les r\u00e9seaux LSTM (Long Short-Term Memory) et les unit\u00e9s r\u00e9currentes \u00e0 porte (GRU) peuvent g\u00e9rer des donn\u00e9es de grande dimension et s’adapter aux besoins de la d\u00e9tection d’anomalies dans des environnements dynamiques. La d\u00e9tection d’anomalies par apprentissage profond am\u00e9liore consid\u00e9rablement la pr\u00e9cision et l’efficacit\u00e9 de la d\u00e9tection en traitant des donn\u00e9es complexes et en identifiant des sch\u00e9mas d’anomalies subtils. Ceci offre un soutien robuste \u00e0 la s\u00e9curit\u00e9 et \u00e0 la fiabilit\u00e9 dans tous les secteurs d’activit\u00e9.Dans le domaine de la d\u00e9tection d’anomalies, plusieurs articles de synth\u00e8se ont syst\u00e9matiquement r\u00e9sum\u00e9 les progr\u00e8s de la recherche. Des travaux initiaux importants, tels que celui de Hodge et al. [1], ont synth\u00e9tis\u00e9 les m\u00e9thodes d’apprentissage statistique et d’apprentissage automatique pour la d\u00e9tection d’anomalies. Chandola et al. [2] ont combin\u00e9 de mani\u00e8re plus syst\u00e9matique la d\u00e9finition, la classification des m\u00e9thodes et les domaines d’application de la d\u00e9tection d’anomalies. Leur travail demeure l’une des synth\u00e8ses classiques les plus repr\u00e9sentatives. Par la suite, Boukerche et al. [3] et Samariya et al. [4] ont approfondi les m\u00e9thodes traditionnelles et construit un syst\u00e8me de classification plus pr\u00e9cis, bas\u00e9 respectivement sur la structure du mod\u00e8le et le type d’algorithme. Avec l’essor de l’apprentissage profond, Chalapathy et al. [5] ont, pour la premi\u00e8re fois, examin\u00e9 de mani\u00e8re syst\u00e9matique l’application de l’apprentissage profond \u00e0 la d\u00e9tection d’anomalies. Pang et al. [6] ont propos\u00e9 un syst\u00e8me de cat\u00e9gorisation plus complet et faisant autorit\u00e9, couvrant 3 cat\u00e9gories g\u00e9n\u00e9rales et 11 cat\u00e9gories de m\u00e9thodes plus fines. Ruff et al. [7] ont \u00e9tabli un lien entre les m\u00e9thodes traditionnelles superficielles et les approches d’apprentissage profond, d\u00e9montr\u00e9 des techniques de d\u00e9tection d’anomalies dans diff\u00e9rentes cat\u00e9gories, fourni des \u00e9clairages th\u00e9oriques et pr\u00e9sent\u00e9 des bonnes pratiques d’application. Par ailleurs, Huang et al. [8] ont analys\u00e9 plus de 180 \u00e9tudes r\u00e9centes et examin\u00e9 les m\u00e9thodes d’apprentissage profond bas\u00e9es sur la reconstruction et la pr\u00e9diction, en particulier dans le contexte de l’Internet des objets (IoT). Pour les sc\u00e9narios de donn\u00e9es massives de grande dimension, Thudumu et al. [9] ont introduit le concept de \u00ab mal\u00e9diction des grandes dimensions \u00bb, en utilisant un mod\u00e8le triangulaire pour repr\u00e9senter la relation entre les dimensions, les algorithmes et les outils. De leur c\u00f4t\u00e9, Li et al. [10] se sont concentr\u00e9s sur la d\u00e9tection d’anomalies interpr\u00e9table et ont explor\u00e9 son r\u00f4le crucial dans les domaines critiques pour la s\u00e9curit\u00e9. Enfin, Landauer et al. [11] ont men\u00e9 une revue syst\u00e9matique de la d\u00e9tection d’anomalies dans les donn\u00e9es de journalisation, en explorant les mod\u00e8les d’apprentissage profond, les m\u00e9canismes de pr\u00e9traitement des donn\u00e9es et les m\u00e9thodes d’\u00e9valuation. Il existe \u00e9galement plusieurs revues [12], [13], [14], [15], [16], [17], [18], [19], [20], [21] dans le domaine de la d\u00e9tection d’anomalies d’images et de vid\u00e9os qui r\u00e9sument syst\u00e9matiquement les principales approches et tendances.Actuellement, de nombreuses \u00e9tudes, telles que [22], [23], [24] et [25], se concentrent sur la d\u00e9tection d’anomalies dans les s\u00e9ries temporelles multivari\u00e9es par apprentissage profond, en proposant des syst\u00e8mes de classification bas\u00e9s sur des strat\u00e9gies de d\u00e9tection d’anomalies et des mod\u00e8les d’apprentissage profond. Cependant, ces \u00e9tudes ne pr\u00e9sentent pas de synth\u00e8se syst\u00e9matique des mod\u00e8les de d\u00e9tection d’anomalies dans les s\u00e9ries temporelles d\u00e9velopp\u00e9s ces derni\u00e8res ann\u00e9es. Par cons\u00e9quent, afin de combler cette lacune, cet article propose une revue structur\u00e9e et syst\u00e9matique de la d\u00e9tection d’anomalies par apprentissage profond. Contrairement aux \u00e9tudes pr\u00e9c\u00e9dentes, qui se concentrent exclusivement sur des donn\u00e9es non temporelles ou sur une seule cat\u00e9gorie de m\u00e9thodes, cette \u00e9tude cat\u00e9gorise les techniques de d\u00e9tection d’anomalies par type de donn\u00e9es et examine syst\u00e9matiquement les progr\u00e8s r\u00e9cents de la recherche. De plus, nous organisons les sc\u00e9narios d’application typiques, les m\u00e9triques d’\u00e9valuation couramment utilis\u00e9es et les jeux de donn\u00e9es pour chaque type de mod\u00e8le, et nous r\u00e9sumons les d\u00e9fis de recherche actuels ainsi que les pistes de recherche prometteuses. Cet article aide les chercheurs \u00e0 acqu\u00e9rir une compr\u00e9hension globale de l’\u00e9volution de la d\u00e9tection d’anomalies par apprentissage profond et guide la conception et le d\u00e9ploiement pratique des m\u00e9thodes ult\u00e9rieures. Les principales contributions de cet article sont les suivantes :<\/p>\n\n\n\n