---

Ici on propose un système de détection et de prévision d intrusions à base de réseaux d inférence incertaine et imprécise. Partant d un historique de sessions, il s agit de proposer une méthode d apprentissage supervisé doublée d un classifieur permettant d extraire les connaissances nécessaires pour identifier la présence ou non d une intrusion dans une session et dans le cas positif de reconnaître son type et de prévoir les éventuelles intrusions qui l ensuivent. L originalité de notre approche est qu elle intègre dans le cadre d un système global anti-intrusions détection d intrusions au niveau des hôtes (HIDS) et prévision d intrusions au niveau du réseau (NIPS), se basant dans les deux couches sur une hybridation bayésienne possibiliste. Les données utilisées pour l expérimentation de notre système sont proposées par KDD 99 et DARPA 2000. Les résultats expérimentaux prouvent que le système de détection et de prévision d intrusions à base d une hybridation bayésienne possibiliste ici proposée peut efficacement gérer l incertitude et l imprécision et exploiter toutes les données disponibles.

---