Etude comparative des méthodes de détection d'anomalies.

La detection d'anomalies est un probleme en plein essor et qui revet une importance dans plusieurs domaines. A titre d'exemple, la cy-bercriminalite peut provoquer des pertes economiques considerables et menacer la survie des entreprises. Securiser son systeme d'information est devenu une priorite et un enjeu strategique pour tous les types d'entre-prises. D'autres domaines sont egalement impactes tels que la sante, les transports, etc. Les solutions de supervision mises en place sont souvent basees sur des algorithmes de detection d'anomalies issus du datamining et du machine learning. Nous presentons dans ce papier un etat de l'art complet sur les algorithmes de detection d'anomalies. Nous proposons une classification de ces methodes en se basant a la fois sur le type de jeux de donnees (flux, series temporelles, graphes, etc.), le domaine d'application et l'approche consideree (statistique, classification, clustering, etc.). Nous nous focalisons ensuite sur trois algorithmes : LOF, OC-SVM et Isolation Forest que nous testons sur deux jeux de donnees differents afin de comparer leurs performances.