Apprentissage et sélection de réseaux bayésiens dynamiques pour les processus online non stationnaires

Les reseaux bayesiens dynamiques (DBNs) fournissent un formalisme graphique pro- babiliste decrivant, a travers des dependances conditionnelles, des systemes dynamiques com- plexes sous incertitude. Cependant, dans la plupart des cas, le processus de Markov generatif sous-jacent est suppose homogene, ce qui signifie que ni sa topologie ni ses parametres evo- luent au cours du temps. Par consequent, apprendre un DBN pour modeliser un processus non stationnaire sous cette hypothese equivaudra a de pauvres capacites de predictions. Nous construisons donc un framework pour l’apprentissage en temps reel des differents modeles pro- babilistes sous-jacents, sans hypotheses sur leur nombre et leur evolution. Nous montrons la performance de la methode sur des donnees simulees. L’objectif du systeme est la modelisation et la prediction d’incongruites pour un Systeme de Detection d’Intrusion (IDS) en temps reel, aussi un grand soin est attache a la capacite d’identifier precisement les moments de transition.