Your SlideShare is downloading. ×
  • Like
Présentation Motifs Corrélés Rares
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Now you can save presentations on your phone or tablet

Available for both IPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Présentation Motifs Corrélés Rares

  • 336 views
Published

 

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
336
On SlideShare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
8
Comments
0
Likes
1

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Université de Tunis Institut Supérieur de Gestion de Tunis École Doctorale Sciences de GestionMotifs Corrélés Rares : Caractérisation et Nouvelles Représentations Concises Réalisé par : Souad B OUASKER Encadrée par : Mr. Sadok B EN YAHIA (Maître de Conférences, FST) Mr. Tarek H AMROUNI (Maître Assistant, ISAMM) 18 Mai 2012
  • 2. Plan 1 Introduction 2 Caractérisation de l’ensemble MCR des motifs corrélés rares 3 Nouvelles représentations concises des motifs corrélés rares 4 Évaluation expérimentale 5 Application : Détection d’intrusions 6 Conclusion et perspectives
  • 3. Plan 1 Introduction 2 Caractérisation de l’ensemble MCR des motifs corrélés rares 3 Nouvelles représentations concises des motifs corrélés rares 4 Évaluation expérimentale 5 Application : Détection d’intrusions 6 Conclusion et perspectives
  • 4. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Introduction et motivations Fouille de données La fouille de données : Étape du processus d’ECD. Extraction des motifs fréquents. Génération des règles associatives.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 4 / 36
  • 5. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Introduction et motivations Exemple : Contexte d’extraction K N◦ client A : Chocolat B : Lait C : Chips D : Caviar E : Boissons 1 1 0 1 1 0 2 0 1 1 0 1 3 1 1 1 0 1 4 0 1 0 0 1 5 1 1 1 0 1Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 4 / 36
  • 6. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Introduction et motivations Exemple : Contexte d’extraction K N◦ client A : Chocolat B : Lait C : Chips D : Caviar E : Boissons 1 1 0 1 1 0 2 0 1 1 0 1 3 1 1 1 0 1 4 0 1 0 0 1 5 1 1 1 0 1 O = {1, 2, 3, 4, 5} I = {A, B, C, D, E}Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 4 / 36
  • 7. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Extraction de motifs Définition : Supports d’un motif Le support conjonctif d’un motif I : Supp(∧I) (ou simplement Supp(I)). Le support disjonctif d’un motif I : Supp(∨I).Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 5 / 36
  • 8. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Extraction de motifs Exemple : Contexte formel K A B C D E 1 1 0 1 1 0 2 0 1 1 0 1 3 1 1 1 0 1 4 0 1 0 0 1 5 1 1 1 0 1Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 5 / 36
  • 9. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Extraction de motifs Exemple : Contexte formel K A B C D E 1 1 0 1 1 0 2 0 1 1 0 1 3 1 1 1 0 1 4 0 1 0 0 1 5 1 1 1 0 1 Supp( ∧ AD) = 1Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 5 / 36
  • 10. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Extraction de motifs Exemple : Contexte formel K A B C D E 1 1 0 1 1 0 2 0 1 1 0 1 3 1 1 1 0 1 4 0 1 0 0 1 5 1 1 1 0 1 Supp( ∨ AD) = 3Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 5 / 36
  • 11. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Extraction de motifs Exemple : Contexte formel K A B C D E 1 1 0 1 1 0 2 0 1 1 0 1 3 1 1 1 0 1 4 0 1 0 0 1 5 1 1 1 0 1 Supp( ∧ ACE ) = 2Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 5 / 36
  • 12. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Extraction de motifs Exemple : Contexte formel K A B C D E 1 1 0 1 1 0 2 0 1 1 0 1 3 1 1 1 0 1 4 0 1 0 0 1 5 1 1 1 0 1 Supp( ∨ ACE ) = 5Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 5 / 36
  • 13. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Motifs Rares versus Motifs Fréquents Motifs fréquents : Support conjonctif ≥ minsupp. ¯ La contrainte de fréquence est anti-monotone. Motifs rares : Support conjonctif < minsupp. ¯ La contrainte de rareté est monotone. Pour minsupp = 3 Quelques motifs fréquents : (B, 4), (BE, 4), (BCE, 3) Quelques motifs rares : (D, 1), (AB, 2), (ACD, 1)Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 6 / 36
  • 14. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Motifs Rares versus Motifs Fréquents Motifs fréquents : Support conjonctif ≥ minsupp. ¯ La contrainte de fréquence est anti-monotone. Motifs rares : Support conjonctif < minsupp. ¯ La contrainte de rareté est monotone. Pour minsupp = 3 Quelques motifs fréquents : (B, 4), (BE, 4), (BCE, 3) Quelques motifs rares : (D, 1), (AB, 2), (ACD, 1)Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 6 / 36
  • 15. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Motifs Rares versus Motifs Fréquents Motifs fréquents : Support conjonctif ≥ minsupp. ¯ La contrainte de fréquence est anti-monotone. Motifs rares : Support conjonctif < minsupp. ¯ La contrainte de rareté est monotone. Pour minsupp = 3 Quelques motifs fréquents : (B, 4), (BE, 4), (BCE, 3) Quelques motifs rares : (D, 1), (AB, 2), (ACD, 1)Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 6 / 36
  • 16. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Motivations d’extraction des motifs rares Cadres d’application des motifs rares : La détection des maladies rares La détection de fraudes dans les systèmes financiers L’analyse du désordre génétique La sécurité informatiqueSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 7 / 36
  • 17. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Motivations d’extraction des motifs rares Adresse IP Port Authentification Date 196.24.12.21 23 V t1 132.44.32.11 8080 V t2 197.23.22.2 80 V t3 22.20.12.98 21 NV t4 10.24.12.21 1221 V t5 L’adresse 22.20.12.98 peut être à l’origine d’une attaque sur le port 21 !Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 8 / 36
  • 18. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Motivations d’extraction des motifs rares Adresse IP Port Authentification Date 196.24.12.21 23 V t1 132.44.32.11 8080 V t2 197.23.22.2 80 V t3 22.20.12.98 21 NV t4 10.24.12.21 1221 V t5 L’adresse 22.20.12.98 peut être à l’origine d’une attaque sur le port 21 !Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 8 / 36
  • 19. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Motivations d’extraction des motifs rares Adresse IP Port Authentification Date 196.24.12.21 23 V t1 132.44.32.11 8080 V t2 197.23.22.2 80 V t3 22.20.12.98 21 NV t4 10.24.12.21 1221 V t5 L’adresse 22.20.12.98 peut être à l’origine d’une attaque sur le port 21 !Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 8 / 36
  • 20. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Problématique Problématique Absence de lien sémantique entre les items des motifs rares extraits : Exemple : “Lait” et “Caviar”. Le nombre élevé des motifs rares extraits. Solutions Intégration des mesures de corrélation : Motifs corrélés rares Extraction d’une représentation concise des motifs rares corrélés.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 9 / 36
  • 21. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Problématique Problématique Absence de lien sémantique entre les items des motifs rares extraits : Exemple : “Lait” et “Caviar”. Le nombre élevé des motifs rares extraits. Solutions Intégration des mesures de corrélation : Motifs corrélés rares Extraction d’une représentation concise des motifs rares corrélés.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 9 / 36
  • 22. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Problématique Problématique Absence de lien sémantique entre les items des motifs rares extraits : Exemple : “Lait” et “Caviar”. Le nombre élevé des motifs rares extraits. Solutions Intégration des mesures de corrélation : Motifs corrélés rares Extraction d’une représentation concise des motifs rares corrélés.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 9 / 36
  • 23. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Problématique Problématique Absence de lien sémantique entre les items des motifs rares extraits : Exemple : “Lait” et “Caviar”. Le nombre élevé des motifs rares extraits. Solutions Intégration des mesures de corrélation : Motifs corrélés rares Extraction d’une représentation concise des motifs rares corrélés.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 9 / 36
  • 24. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Introduction et Motivations Évaluation expérimentale Problématique Application : Détection d’intrusions Conclusion et perspectives Problématique Problématique Absence de lien sémantique entre les items des motifs rares extraits : Exemple : “Lait” et “Caviar”. Le nombre élevé des motifs rares extraits. Solutions Intégration des mesures de corrélation : Motifs corrélés rares Extraction d’une représentation concise des motifs rares corrélés.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 9 / 36
  • 25. Plan 1 Introduction 2 Caractérisation de l’ensemble MCR des motifs corrélés rares 3 Nouvelles représentations concises des motifs corrélés rares 4 Évaluation expérimentale 5 Application : Détection d’intrusions 6 Conclusion et perspectives
  • 26. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives L’ensemble MCR des motifs rares corrélés Définitions : Motif rares versus Motifs corrélés L’ensemble des motifs rares est défini par : MR = {I ⊆ I | Supp(I) < minsupp} L’ensemble des motifs corrélés est défini par : MC = {I ⊆ I | bond(I) ≥ minbond} Supp( ∧ I) avec bond (I) = . Supp( ∨ I)Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 11 / 36
  • 27. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives L’ensemble MCR des motifs rares corrélés Définitions : Motif rares versus Motifs corrélés L’ensemble des motifs rares est défini par : MR = {I ⊆ I | Supp(I) < minsupp} L’ensemble des motifs corrélés est défini par : MC = {I ⊆ I | bond(I) ≥ minbond} Supp( ∧ I) avec bond (I) = . Supp( ∨ I) Conjonction de deux contraintes de types opposésSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 11 / 36
  • 28. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Motifs rares Le contexte K pour minsupp = 3 0 ABCDE Bordure séparant les motifs rares de ceux fréquents 0 2 0 0 0 ABCD ACDE ABCE ABDE BCDE 2 0 1 0 0 0 0 2 2 3 ABC ACE ABE ABD BCE ACD BCD ADE BDE CDE 2 3 0 2 3 1 1 4 3 0 AB AC BD AE BC AD CD BE CE DE 3 4 4 1 4 A B C D E 5 {} Motif fréquent Motif rare minimal Motif rareSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 12 / 36
  • 29. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Motifs rares Le contexte K pour minsupp = 3 0 ABCDE Bordure séparant les motifs rares de ceux fréquents 0 2 0 0 0 ABCD ACDE ABCE ABDE BCDE 2 0 1 0 0 0 0 2 2 3 ABC ACE ABE ABD BCE ACD BCD ADE BDE CDE 2 3 0 2 3 1 1 4 3 0 AB AC BD AE BC AD CD BE CE DE 3 4 4 1 4 A B C D E 5 {} Motif fréquent Motif rare minimal Motif rare “être rare” : contrainte monotone induisant un filtre d’ordreSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 12 / 36
  • 30. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Motifs corrélés selon la mesure bond Le contexte K pour minbond = 0,20Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 13 / 36
  • 31. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Motifs corrélés selon la mesure bond Le contexte K pour minbond = 0,20 “être corrélé” : contrainte anti-monotone induisant un idéal d’ordreSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 13 / 36
  • 32. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Motifs corrélés raresSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 14 / 36
  • 33. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Motifs corrélés rares Ni un idéal d’ordre ni un filtre d’ordre : Extraction plus complexe et plus coûteuseSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 14 / 36
  • 34. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Motifs corrélés rares Définition L’ensemble MCR des motifs corrélés rares est défini par : MCR = {I ⊆ I | Supp(I) < minsupp et bond(I) ≥ minbond} Supp( ∧ I) avec bond (I) = . Supp( ∨ I) Pour minsupp = 4 et minbond = 0,20 Quelques motifs corrélés rares : 1 (D, 1, 1 ), (AB, 2, 2 ), (BCE, 3, 3 ), (ABCE, 2, 2 ). 5 5 5Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 15 / 36
  • 35. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Motifs corrélés rares Définition L’ensemble MCR des motifs corrélés rares est défini par : MCR = {I ⊆ I | Supp(I) < minsupp et bond(I) ≥ minbond} Supp( ∧ I) avec bond (I) = . Supp( ∨ I) Pour minsupp = 4 et minbond = 0,20 Quelques motifs corrélés rares : 1 (D, 1, 1 ), (AB, 2, 2 ), (BCE, 3, 3 ), (ABCE, 2, 2 ). 5 5 5Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 15 / 36
  • 36. Plan 1 Introduction 2 Caractérisation de l’ensemble MCR des motifs corrélés rares 3 Nouvelles représentations concises des motifs corrélés rares 4 Évaluation expérimentale 5 Application : Détection d’intrusions 6 Conclusion et perspectives
  • 37. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Les classes d’équivalence corrélées raresSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 17 / 36
  • 38. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Les classes d’équivalence corrélées raresSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 17 / 36
  • 39. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives MMCR versus MF CRSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 18 / 36
  • 40. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives MMCR versus MF CRSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 18 / 36
  • 41. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives MMCR versus MF CR Tous les éléments d’une classe d’équivalence partagent : La même fermeture par rapport à la mesure bond. Les mêmes supports conjonctif, disjonctif, et négatif.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 18 / 36
  • 42. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Les représentations concises exactes proposées Définitions RMCR = MF CR ∪ MMCR. RMMax F = max ⊆ {MF CR} ∪ MMCR. RMinMF = MF CR ∪ min⊆ {MMCR}. Pour minsupp = 4 et minbond = 0,20 MCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ABC, ABE, ACD, ACE, BCE, ABCE} RMCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, BCE, ABCE} RMMax F = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, ABCE} RMinMF = {A, D, AC, AD, BC, CE, ACD, BCE, ABCE}.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 19 / 36
  • 43. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Les représentations concises exactes proposées Définitions RMCR = MF CR ∪ MMCR. RMMax F = max ⊆ {MF CR} ∪ MMCR. RMinMF = MF CR ∪ min⊆ {MMCR}. Pour minsupp = 4 et minbond = 0,20 MCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ABC, ABE, ACD, ACE, BCE, ABCE} RMCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, BCE, ABCE} RMMax F = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, ABCE} RMinMF = {A, D, AC, AD, BC, CE, ACD, BCE, ABCE}.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 19 / 36
  • 44. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Les représentations concises exactes proposées Définitions RMCR = MF CR ∪ MMCR. RMMax F = max ⊆ {MF CR} ∪ MMCR. RMinMF = MF CR ∪ min⊆ {MMCR}. Pour minsupp = 4 et minbond = 0,20 MCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ABC, ABE, ACD, ACE, BCE, ABCE} RMCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, BCE, ABCE} RMMax F = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, ABCE} RMinMF = {A, D, AC, AD, BC, CE, ACD, BCE, ABCE}.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 19 / 36
  • 45. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Les représentations concises exactes proposées Définitions RMCR = MF CR ∪ MMCR. RMMax F = max ⊆ {MF CR} ∪ MMCR. RMinMF = MF CR ∪ min⊆ {MMCR}. Pour minsupp = 4 et minbond = 0,20 MCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ABC, ABE, ACD, ACE, BCE, ABCE} RMCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, BCE, ABCE} RMMax F = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, ABCE} RMinMF = {A, D, AC, AD, BC, CE, ACD, BCE, ABCE}.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 19 / 36
  • 46. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Les représentations concises exactes proposées Définitions RMCR = MF CR ∪ MMCR. RMMax F = max ⊆ {MF CR} ∪ MMCR. RMinMF = MF CR ∪ min⊆ {MMCR}. Pour minsupp = 4 et minbond = 0,20 MCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ABC, ABE, ACD, ACE, BCE, ABCE} RMCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, BCE, ABCE} RMMax F = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, ABCE} RMinMF = {A, D, AC, AD, BC, CE, ACD, BCE, ABCE}.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 19 / 36
  • 47. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Les représentations concises exactes proposées Définitions RMCR = MF CR ∪ MMCR. RMMax F = max ⊆ {MF CR} ∪ MMCR. RMinMF = MF CR ∪ min⊆ {MMCR}. Pour minsupp = 4 et minbond = 0,20 MCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ABC, ABE, ACD, ACE, BCE, ABCE} RMCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, BCE, ABCE} RMMax F = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, ABCE} RMinMF = {A, D, AC, AD, BC, CE, ACD, BCE, ABCE}.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 19 / 36
  • 48. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Les représentations concises exactes proposées Définitions RMCR = MF CR ∪ MMCR. RMMax F = max ⊆ {MF CR} ∪ MMCR. RMinMF = MF CR ∪ min⊆ {MMCR}. Pour minsupp = 4 et minbond = 0,20 MCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ABC, ABE, ACD, ACE, BCE, ABCE} RMCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, BCE, ABCE} RMMax F = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, ABCE} RMinMF = {A, D, AC, AD, BC, CE, ACD, BCE, ABCE}.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 19 / 36
  • 49. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Les représentations concises exactes proposées Définitions RMCR = MF CR ∪ MMCR. RMMax F = max ⊆ {MF CR} ∪ MMCR. RMinMF = MF CR ∪ min⊆ {MMCR}. Pour minsupp = 4 et minbond = 0,20 MCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ABC, ABE, ACD, ACE, BCE, ABCE} RMCR = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, BCE, ABCE} RMMax F = {A, D, AB, AC, AD, AE, BC, CD, CE, ACD, ABCE} RMinMF = {A, D, AC, AD, BC, CE, ACD, BCE, ABCE}.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 19 / 36
  • 50. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives La représentation approximative RMinMMaxF Définition RMinMMax F = max ⊆ {MF CR} ∪ min⊆ {MMCR} Pour minsupp = 4 et minbond = 0,20 RMinMMax F = {A, D, BC, CE, ACD, ABCE}.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 20 / 36
  • 51. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Aperçu des représentations proposéesSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 21 / 36
  • 52. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Aperçu des représentations proposéesSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 21 / 36
  • 53. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Aperçu des représentations proposéesSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 21 / 36
  • 54. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives L’algorithme CRPR_M INERSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 22 / 36
  • 55. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives L’algorithme CRPR_M INERSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 22 / 36
  • 56. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives L’algorithme CRPR_M INERSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 22 / 36
  • 57. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives L’algorithme CRPR_M INERSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 22 / 36
  • 58. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Intérrogation de la représentation RMCR Exemple : ACE : Motif corrélé rare? Si oui, dériver son support conjonctif et sa valeur de la mesure bond. AE ∈ MMCR et ABCE ∈ MF CR avec AE ⊆ ACE et ACE ⊆ ABCE ¯ ACE ∈ MCR Supp(ACE) = Supp(ABCE) = 2 2 bond (ACE) = bond (ABCE) = 5Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 23 / 36
  • 59. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Intérrogation de la représentation RMCR Exemple : ACE : Motif corrélé rare? Si oui, dériver son support conjonctif et sa valeur de la mesure bond. AE ∈ MMCR et ABCE ∈ MF CR avec AE ⊆ ACE et ACE ⊆ ABCE ¯ ACE ∈ MCR Supp(ACE) = Supp(ABCE) = 2 2 bond (ACE) = bond (ABCE) = 5Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 23 / 36
  • 60. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Régénération de l’ensemble MCR Exemple : 1 2 1 Initialement, MCR = RMCR = {(D, 1, ), (AB, 2, ), (AD, 1, ), 1 5 3 2 1 1 2 (AE, 2, ), (CD, 1, ), (ACD, 1, ), (ABCE, 2, )}. 5 4 4 5 Génération des motifs ABE et ABC compris entre le minimal AB et son fermé ABCE. Génération du motif ACE compris entre le minimal AE et son fermé ABCE. 1 2 1 2 1 MCR = {(D, 1, ), (AB, 2, ), (AD, 1, ), (AE, 2, ), (CD, 1, ), 1 5 3 5 4 2 2 1 2 2 (ABC, 2, ), (ABE, 2, ), (ACD, 1, ), (ACE, 2, ), (ABCE, 2, )}. 5 5 4 5 5Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 24 / 36
  • 61. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Régénération de l’ensemble MCR Exemple : 1 2 1 Initialement, MCR = RMCR = {(D, 1, ), (AB, 2, ), (AD, 1, ), 1 5 3 2 1 1 2 (AE, 2, ), (CD, 1, ), (ACD, 1, ), (ABCE, 2, )}. 5 4 4 5 Génération des motifs ABE et ABC compris entre le minimal AB et son fermé ABCE. Génération du motif ACE compris entre le minimal AE et son fermé ABCE. 1 2 1 2 1 MCR = {(D, 1, ), (AB, 2, ), (AD, 1, ), (AE, 2, ), (CD, 1, ), 1 5 3 5 4 2 2 1 2 2 (ABC, 2, ), (ABE, 2, ), (ACD, 1, ), (ACE, 2, ), (ABCE, 2, )}. 5 5 4 5 5Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 24 / 36
  • 62. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Régénération de l’ensemble MCR Exemple : 1 2 1 Initialement, MCR = RMCR = {(D, 1, ), (AB, 2, ), (AD, 1, ), 1 5 3 2 1 1 2 (AE, 2, ), (CD, 1, ), (ACD, 1, ), (ABCE, 2, )}. 5 4 4 5 Génération des motifs ABE et ABC compris entre le minimal AB et son fermé ABCE. Génération du motif ACE compris entre le minimal AE et son fermé ABCE. 1 2 1 2 1 MCR = {(D, 1, ), (AB, 2, ), (AD, 1, ), (AE, 2, ), (CD, 1, ), 1 5 3 5 4 2 2 1 2 2 (ABC, 2, ), (ABE, 2, ), (ACD, 1, ), (ACE, 2, ), (ABCE, 2, )}. 5 5 4 5 5Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 24 / 36
  • 63. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Régénération de l’ensemble MCR Exemple : 1 2 1 Initialement, MCR = RMCR = {(D, 1, ), (AB, 2, ), (AD, 1, ), 1 5 3 2 1 1 2 (AE, 2, ), (CD, 1, ), (ACD, 1, ), (ABCE, 2, )}. 5 4 4 5 Génération des motifs ABE et ABC compris entre le minimal AB et son fermé ABCE. Génération du motif ACE compris entre le minimal AE et son fermé ABCE. 1 2 1 2 1 MCR = {(D, 1, ), (AB, 2, ), (AD, 1, ), (AE, 2, ), (CD, 1, ), 1 5 3 5 4 2 2 1 2 2 (ABC, 2, ), (ABE, 2, ), (ACD, 1, ), (ACE, 2, ), (ABCE, 2, )}. 5 5 4 5 5Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 24 / 36
  • 64. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Les classes d’équivalence corrélées rares Représentations Concises Les représentations concises exactes proposées Évaluation expérimentale La représentation concise approximative proposée Application : Détection d’intrusions Algorithme d’extraction des représentations concises Conclusion et perspectives Régénération de l’ensemble MCR Exemple : 1 2 1 Initialement, MCR = RMCR = {(D, 1, ), (AB, 2, ), (AD, 1, ), 1 5 3 2 1 1 2 (AE, 2, ), (CD, 1, ), (ACD, 1, ), (ABCE, 2, )}. 5 4 4 5 Génération des motifs ABE et ABC compris entre le minimal AB et son fermé ABCE. Génération du motif ACE compris entre le minimal AE et son fermé ABCE. 1 2 1 2 1 MCR = {(D, 1, ), (AB, 2, ), (AD, 1, ), (AE, 2, ), (CD, 1, ), 1 5 3 5 4 2 2 1 2 2 (ABC, 2, ), (ABE, 2, ), (ACD, 1, ), (ACE, 2, ), (ABCE, 2, )}. 5 5 4 5 5Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 24 / 36
  • 65. Plan 1 Introduction 2 Caractérisation de l’ensemble MCR des motifs corrélés rares 3 Nouvelles représentations concises des motifs corrélés rares 4 Évaluation expérimentale 5 Application : Détection d’intrusions 6 Conclusion et perspectives
  • 66. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Variation des cardinalités en fonction de minsupp Pumsb* (minbond = 0.5) Accidents (minbond = 0,30) 131072 262144 131072 65536 65536 Nombre de motifs Nombre de motifs 32768 32768 16384 16384 8192 8192 4096 4096 2048 1024 2048 512 1024 256 0 10 20 30 40 50 60 10 20 30 40 50 60 70 80 90 Minsupp (%) Minsupp(%) MCR RMMaxF RMinMMaxF MCR RMMaxF RMinMMaxF RMCR RMinMF RMCR RMinMFSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 26 / 36
  • 67. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Variation des cardinalités en fonction de minbond Pumsb* (minsupp = 40%) Accidents (minsupp = 50%) 524288 1.04858e+006 262144 262144 Nombre de motifs Nombre de motifs 131072 65536 65536 32768 16384 16384 8192 4096 4096 1024 2048 1024 256 40 50 60 70 80 90 100 20 30 40 50 60 70 80 90 100 Minbond (%) Minbond (%) MCR RMMaxF RMinMMaxF MCR RMMaxF RMinMMaxF RMCR RMinMF RMCR RMinMFSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 27 / 36
  • 68. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Temps d’extraction Pumsb (minbond = 0,80) T40I10D100K (minbond = 0,10) 2048 128 Temps Extraction (sec) Temps Extraction (sec) 1024 512 64 256 128 64 32 10 20 30 40 50 60 70 80 90 5 10 15 20 25 30 Minsupp(%) Minsupp (%) Tps-RMCR Tps-RMinMF Tps-RMCR Tps-RMinMF Tps-RMMaxF Tps-RMinMMaxF Tps-RMMaxF Tps-RMinMMaxFSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 28 / 36
  • 69. Plan 1 Introduction 2 Caractérisation de l’ensemble MCR des motifs corrélés rares 3 Nouvelles représentations concises des motifs corrélés rares 4 Évaluation expérimentale 5 Application : Détection d’intrusions 6 Conclusion et perspectives
  • 70. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Démarche de l’application : Schématisation du processusSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 30 / 36
  • 71. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Évaluation expérimentale pour les bases de données DARPA 1998 Figure: Évaluation expérimentale pour les cinq classes d’attaques.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 31 / 36
  • 72. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Évaluation expérimentale Figure: Comparaison entre les régles génériques corrélées rares de classification et l’approche W IFI M INER.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 32 / 36
  • 73. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Évaluation expérimentale Figure: Comparaison entre les régles génériques corrélées rares de classification et l’approche W IFI M INER.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 32 / 36
  • 74. Plan 1 Introduction 2 Caractérisation de l’ensemble MCR des motifs corrélés rares 3 Nouvelles représentations concises des motifs corrélés rares 4 Évaluation expérimentale 5 Application : Détection d’intrusions 6 Conclusion et perspectives
  • 75. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives ConclusionSouad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 34 / 36
  • 76. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Perspectives L’optimisation des algorithmes proposés. L’extraction des formes généralisées des règles d’associations corrélées rares. L’extension de l’approche proposée pour les motifs corrélés rares selon d’autres mesures de corrélation. L’intégration du noyau réalisé dans un système interactif.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 35 / 36
  • 77. Introduction Caractérisation de l’ensemble MCR des motifs corrélés rares Représentations Concises Évaluation expérimentale Application : Détection d’intrusions Conclusion et perspectives Merci de votre attention.Souad B OUASKER Représentations Concises des Motifs Corrélés Rares Mai 2012 36 / 36