📄 other

Mathematical Modelling of Cybersecuritythreat Dynamics Using a Compartmental approach

Cet article présente un modèle mathématique compartimenté de la propagation des cyberattaques sur les réseaux informatiques, prouvant sa stabilité et menant des analyses de sensibilité et de bifurcation pour démontrer que les taux de transmission sont le facteur dominant de la propagation des logiciels malveillants tandis que des mécanismes de récupération et de contrôle robustes peuvent atténuer efficacement les infections.

Auteurs originaux : Imtiaz Ahmad, Mehwish Zada, Laila Noor, Ebenezer Bonyah, Sapna Ajmal, Sehra Khan

Publié 2026-07-24

📖 9 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Imtiaz Ahmad, Mehwish Zada, Laila Noor, Ebenezer Bonyah, Sapna Ajmal, Sehra Khan

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez l'internet non pas comme un nuage de données, mais comme une ville bourdonnante et invisible où des millions d'ordinateurs vivent, communiquent et échangent des informations. Tout comme une ville peuplée d'humains, cette métropole numérique peut tomber malade. Lorsqu'un virus informatique ou un logiciel malveillant (malware) trouve un moyen d'entrer, il ne se contente pas de rester là ; il se propage, infectant ses voisins et les transformant en nouveaux porteurs de la maladie. C'est le monde de la cybersécurité, un domaine dédié à la protection de notre ville numérique. Pendant des années, des scientifiques ont tenté de prédire ces épidémies en utilisant des « modèles compartimentaux », qui sont essentiellement des cartes sophistiquées classant les ordinateurs en différents groupes : ceux qui sont sains, ceux qui sont malades mais le cachent, ceux qui propagent activement le virus, et ceux qui ont été guéris ou détruits. Bien que ces cartes soient utiles, les anciennes modèles oubliaient souvent certaines des parties les plus sournoises du jeu, comme la phase de « latence » où un ordinateur est infecté mais n'a pas encore commencé à attaquer, ou le rôle spécifique d'un ordinateur qui a été détourné pour lancer des attaques organisées.

Dans cette nouvelle étude, une équipe de chercheurs issus d'universités du Pakistan, du Ghana, d'Azerbaïdjan et de Turquie a construit une carte plus détaillée, une autoroute à six voies, de la façon dont les cyberattaques voyagent. Ils appellent leur modèle « SEAMRD », qui signifie Susceptible (Susceptible), Exposed (Exposé), Malicious (Malveillant), Attacker (Attaquant), Recovered (Guéri) et Dead (Mort). Voyez cela comme une partie de chat perché numérique avec six rôles distincts. Un ordinateur commence comme Susceptible (sain mais vulnérable). Il est touché et devient Exposé (infecté mais dormant, comme un agent dormant). Ensuite, il s'éveille en tant que Malveillant (infecté et propageant le virus). Certains s'éveillent de manière encore plus agressive en tant qu'Attaquants (lançant activement de nouvelles frappes). La bonne nouvelle est que certains sont Guéris (réparés et sécurisés), tandis que le pire scénario est qu'ils deviennent Morts (définitivement endommagés et retirés du réseau). Les chercheurs ont utilisé des mathématiques complexes pour simuler la manière dont ces groupes interagissent, calculant un « nombre de propagation » (appelé $R_0$ ) qui nous indique la probabilité qu'une épidémie prenne le contrôle de tout le réseau. Leurs simulations suggèrent que la vitesse à laquelle le virus se propage est le principal moteur d'une épidémie, mais que des systèmes de récupération solides et la « sensibilisation » (comme de meilleures mises à jour de sécurité) peuvent agir comme un bouclier, ralentissant la propagation et pouvant potentiellement stopper l'épidémie avant qu'elle ne s'installe.

La Ville Numérique et ses Six Zones

Pour comprendre ce que ces chercheurs ont fait, parcourons leur ville numérique. Dans le monde réel, si vous attrapez un rhume, vous pouvez vous sentir bien pendant quelques jours avant de commencer à éternuer sur tout le monde. Dans le monde informatique, c'est ce qu'on appelle la phase « Exposée ». Un ordinateur a été frappé par un virus, mais il ne le propage pas encore. Les anciens modèles sautaient souvent cette étape ou la regroupaient avec la phase « malade ». Mais cette équipe a réalisé que dans le monde cyber, la différence entre un virus dormant et un virus actif est énorme.

Ils ont divisé chaque ordinateur de leur réseau en l'un des six seaux suivants :

Susceptible (S) : Ce sont les ordinateurs sains, ouverts et prêts à être infectés. Ce sont les populations « non infectées ».
Exposé (E) : Ces ordinateurs ont été frappés par un virus mais sont dans un état « latent » ou dormant. Ils sont infectés mais ne propagent pas encore le virus. C'est comme un ordinateur qui a téléchargé un fichier viral mais ne l'a pas encore exécuté.
Malveillant (M) : Maintenant, le virus est réveillé. Ces ordinateurs sont infectés et propagent activement le malware aux autres.
Attaquant (A) : C'est la partie effrayante. Certains ordinateurs infectés ne se contentent pas de propager le virus ; ils deviennent des « zombies » utilisés pour lancer des attaques organisées et agressives sur d'autres systèmes. Les chercheurs les ont traités comme un groupe distinct et hautement dangereux.
Guéri (R) : Ce sont les ordinateurs qui ont été nettoyés, patchés et sécurisés. Ils sont de retour dans le jeu, en sécurité contre le virus actuel.
Mort (D) : Parfois, un virus est si destructeur qu'il fait planter le système de façon permanente. Ces ordinateurs sont « morts » — ils sont retirés du réseau et ne peuvent plus être infectés ni infecter les autres.

Les Mathématiques derrière la Folie

Les chercheurs n'ont pas seulement deviné comment ces groupes interagissent ; ils ont écrit un ensemble d'équations (un système d'équations différentielles non linéaires) pour décrire le flux d'ordinateurs entre ces six états. Imaginez un système de réservoirs d'eau où l'eau passe d'un réservoir à un autre. Le réservoir « Susceptible » perd de l'eau vers le réservoir « Exposé » lorsqu'un virus frappe. Le réservoir « Exposé » se vide dans le réservoir « Malveillant » lorsque le virus s'éveille. Le réservoir « Malveillant » peut se vider dans le réservoir « Attaquant », le réservoir « Guéri » ou le réservoir « Mort ».

L'une des choses les plus importantes qu'ils ont calculées est ce qu'on appelle le $R_0$ (le nombre de propagation de base). En termes simples, le $R_0$ est un score qui vous dit : « Si un ordinateur infecté entre dans un réseau d'ordinateurs sains, combien de nouveaux ordinateurs infectera-t-il en moyenne ? »

Si le $R_0$ est inférieur à 1, le virus finira par disparaître. C'est comme un feu qui n'a pas assez de combustible pour continuer à brûler.
Si le $R_0$ est supérieur à 1, le virus se propagera de manière exponentielle, provoquant une épidémie.

L'équipe a utilisé une méthode appelée la « matrice de génération suivante » pour calculer ce score pour leur modèle SEAMRD spécifique. Ils ont découvert que le taux de transmission (la facilité avec laquelle le virus saute d'un ordinateur à un autre) est le facteur le plus dominant. Si le virus se propage facilement, le $R_0$ grimpe en flèche. Cependant, ils ont également trouvé qu'augmenter le « taux de récupération » (la rapidité avec laquelle nous réparons et fixons les ordinateurs) et le « taux de sensibilisation » (la rapidité avec laquelle nous détectons et stoppons l'attaque) peut faire baisser le $R_0$ .

La Stabilité du Système

Les chercheurs ont ensuite posé une question cruciale : « Ce système est-il stable ? » En termes mathématiques, ils voulaient savoir si le réseau reviendrait naturellement à un état sain ou s'il resterait bloqué dans un état d'infection constante.

Ils ont prouvé deux choses principales :

L'état « Sans Virus » est stable (si $R_0 < 1$ ) : Si le taux de transmission est suffisamment bas (ce qui signifie que le virus n'est pas très contagieux ou que nous sommes très bons pour réparer les choses), le réseau reviendra naturellement à un état où aucun ordinateur n'est infecté. Ils ont utilisé un outil mathématique appelé « fonction de Lyapunov » pour prouver que, peu importe la façon dont le virus commence, il finira par disparaître si $R_0$ est inférieur à 1.
L'état « Infecté » est stable (si $R_0 > 1$ ) : Si le virus est trop fort et que le $R_0$ est supérieur à 1, le réseau se stabilisera dans un état où le virus est toujours présent. Il ne disparaîtra pas de lui-même. Le système atteindra un « Équilibre Malveillant » où il y aura toujours un certain nombre d'ordinateurs infectés, attaquants et morts.

Qu'est-ce qui fait gagner ou perdre le virus ?

Pour déterminer quels leviers nous pouvons actionner pour arrêter une attaque, l'équipe a effectué une « analyse de sensibilité ». C'est comme tester quels boutons sur une machine ont le plus grand effet sur le résultat. Ils ont modifié chaque paramètre de leurs équations pour voir à quel point cela changeait le score $R_0$ .

Les résultats étaient clairs :

Le Taux de Transmission ( $\beta$ ) : C'est le grand patron. Si le virus se propage plus vite, l'infection explose. Ce paramètre a l'influence positive la plus forte sur le $R_0$ .
Le Taux de Récupération ( $\gamma$ ) et le Taux de Retrait ( $\delta$ ) : Ce sont les héros. Si nous pouvons réparer les ordinateurs plus rapidement (récupération) ou retirer les ordinateurs cassés du réseau (retrait), le score $R_0$ chute considérablement.
La Transition de l'Attaquant ( $\pi_A$ ) : Le taux auquel un ordinateur « Malveillant » devient un « Attaquant » compte également. Plus les ordinateurs infectés deviennent agressifs, plus il est difficile d'arrêter la propagation.

La Conclusion

L'étude conclut que, bien que nous ne puissions pas arrêter toutes les cyberattaques, nous pouvons contrôler la propagation. Les simulations suggèrent que si nous nous concentrons sur des systèmes de récupération vigoureux (réparer les ordinateurs rapidement) et des mécanismes de contrôle appropriés (empêcher le virus de se propager dès le départ), nous pouvons réduire le nombre d'infections.

Les chercheurs n'ont pas seulement dit que « c'est une bonne idée » ; ils ont utilisé des mathématiques rigoureuses pour prouver que si nous pouvons maintenir le taux de transmission bas et le taux de récupération élevé, le réseau peut revenir à un état sûr et sans virus. Cependant, si le virus est trop fort ( $R_0 > 1$ ), le réseau restera dans un état de combat constant. La clé, ont-ils trouvé, est de comprendre que tous les ordinateurs infectés ne sont pas les mêmes. Certains dorment, d'autres propagent, et d'autres attaquent activement. En les traitant différemment dans nos stratégies de défense, nous pouvons construire une ville numérique plus résiliente.

En fin de compte, ce document est un plan pour une défense plus intelligente. Il nous dit qu'en reconnaissant les différentes étapes d'une cyberattaque et en réagissant avec la bonne rapidité, nous pouvons faire pencher la balance en notre faveur, transformant une potentielle apocalypse numérique en un événement gérable et contenu. Les mathématiques disent : si nous réparons vite et diffusons la sensibilisation, le virus perd.

Résumé Technique : Modélisation Mathématique de la Dynamique des Menaces de Cybersécurité via une Approche Compartimentale

Énoncé du Problème
Dans une société de plus en plus interconnectée, l'expansion exponentielle de l'Internet, du cloud computing et des objets connectés (IoT) a considérablement élargi la surface d'attaque pour les cybermenaces, allant des virus et versons aux rançongiciels et aux stratégies d'APT (menaces persistantes avancées). Les mesures de cybersécurité existantes, telles que les pare-feu et les systèmes de détection d'intrusion, sont souvent réactives et ne parviennent pas à traiter la nature adaptative des attaques modernes ou les mécanismes de propagation sous-jacents. De plus, les modèles épidémiologiques traditionnels (par exemple, SI, SIS, SIR) adaptés aux réseaux informatiques manquent souvent de la granularité nécessaire pour représenter les phases cyber-spécifiques critiques, telles que la latence (dormance), la réactivation organisée et la distinction entre l'infection passive et la propagation active. Par conséquent, il est nécessaire d'étendre le modèle compartimental pour capturer ces stades latents et fournir un raisonnement de seuil rigoureux afin de déterminer si une cyber-épidémie surviendra à grande échelle.

Méthodologie
Les auteurs proposent un nouveau modèle compartimental, nommé modèle SEAMRD, dérivé des principes épidémiologiques mais adapté aux dynamiques spécifiques des cyberattaques. La population totale du réseau est divisée en six compartiments distincts :

Susceptibles (S) : Nœuds exposés à l'attaque.
Exposés (E) : Nœuds ayant rencontré une menace mais restant dormants/latents.
Malveillants (M) : Nœuds infectés capables de propager un logiciel malveillant mais n'attaquant pas encore activement.
Attaquants (A) : Nœuds propageant activement l'attaque (hautement infectieux).
Guéris (R) : Systèmes sécurisés ou réparés.
Morts (D) : Systèmes définitivement compromis ou non fonctionnels.

La dynamique est régie par un système d'équations différentielles non linéaires. La force d'infection, $\lambda(t)$ , est définie comme une fonction du taux de transmission et de la probabilité de propagation à partir des nœuds Malveillants, Attaquants et non autorisés.

L'étude emploie les techniques analytiques suivantes :

Analyse de la bien-posée : Prouver la positivité, le bornage, l'existence et l'unicité des solutions pour garantir que le modèle est mathématiquement et biologiquement valide.
Analyse d'équilibre : Dériver l'Équilibre sans Malware (MFE) et l'Équilibre Malveillant (ME).
Nombre de propagation de base ( $R_0$ ) : Calculer $R_0$ en utilisant la méthode de la Matrice de la Prochaine Génération pour déterminer le seuil de persistance de l'épidémie.
Analyse de stabilité : Réaliser une analyse de stabilité locale (via les matrices Jacobiennes et les critères de Routh-Hurwitz) ainsi qu'une analyse de stabilité globale (en utilisant les fonctions de Lyapunov et le principe d'invariance de LaSalle).
Analyse de sensibilité : Calculer les indices de sensibilité directe normalisés pour identifier quels paramètres influencent le plus significativement $R_0$ .
Simulation numérique : Effectuer une analyse de bifurcation et des simulations pour visualiser le comportement du système sous lités de paramètres variables.

Contributions Clés

Extension du Modèle : L'article introduit un modèle à six compartiments qui sépare explicitement la phase « Exposée » (latente) des phases « Malveillante » et « Attaquante », comblant ainsi une lacune des modèles précédents qui confondaient souvent l'infection passive avec la propagation active.
Preuve Mathématique Rigoureuse : Les auteurs fournissent des preuves complètes de la bien-posée de leur modèle et établissent les conditions de stabilité locale et globale des points d'équilibre.
Détermination du Seuil : La dérivation de $R_0$ offre un seuil quantitatif pour prédire si une cyberattaque va s'éteindre ( $R_0 < 1$ ) ou persister ( $R_0 > 1$ ) au sein du réseau.
Sensibilité des Paramètres : L'analyse de sensibilité identifie le taux de transmission ( $\beta$ ) comme le facteur dominant dans la propagation des logiciels malveillants, tout en soulignant que les taux de guérison ( $\gamma$ ) et les paramètres de retrait jouent des rôles critiques dans la réduction de la propagation de l'infection.

Résultats

Conditions de Stabilité : Il est prouvé que l'Équilibre sans Malware (MFE) est localement et globalement asymptotiquement stable si $R_0 < 1$ . Inversement, si $R_0 > 1$ , le MFE devient instable et le système converge vers un Équilibre Malveillant (ME), indiquant une cyber-épidémie persistante.
Influence des Paramètres : Les graphiques de surface et les indices de sensibilité révèlent que $R_0$ augmente avec des taux de transmission ( $\beta$ ) plus élevés et diminue avec des taux de sensibilisation ( $\pi_A$ ) plus élevés, des taux de retrait naturels ( $\mu$ ) et des taux de guérison ( $\gamma$ ) plus élevés.
Implications de Contrôle : L'analyse démontre que des systèmes de récupération vigoureux et des mécanismes de contrôle appropriés peuvent réduire efficacement la propagation des attaques. Plus précisément, augmenter le taux auquel les nœuds infectés sont guéris ou retirés s'avère être une stratégie viable de confinement.

Signification
L'article affirme que sa principale importance réside dans la fourniture d'un cadre théorique et de suggestions analytiques pour guider la conception de stratégies de contre-mesures de cybersécurité efficaces. En généralisant la dynamique de propagation des virus pour inclure la gestion parallèlement aux modèles de maladies épidémiques, l'étude offre une représentation plus réaliste de la propagation des cybermenaces. L'identification de $R_0$ et de la sensibilité de paramètres spécifiques (particulièrement les taux de transmission et de guérison) permet aux administrateurs de réseaux de comprendre les paramètres de seuil nécessaires pour contrôler les éclosions, passant d'une gestion réactive des symptômes à une défense proactive basée sur les mécanismes. Le modèle sert d'outil pour estimer l'ampleur potentielle d'une attaque et évaluer l'efficacité de différentes stratégies d'intervention avant leur mise en œuvre dans des réseaux réels.