Nom	Découverte de chroniques par fouille de flux de données
Thème	Apprentissage automatique pour l'acquisition de connaissances
Début	2005
Etat d'avancement	En cours
Description	Nous nous intéressons à des méthodes de diagnostic et de surveillance dans le but de reconnaître, sur des flux de données, des motifs temporels pouvant être associés à des événements intéressants. Nous étudions des méthodes d'apprentissage supervisé à partir d'exemples et des méthodes de fouille de flux de données dans lesquelles les données arrivent de manière continue avec un très haut débit. En fait, ces données ne peuvent être vues qu'une fois et doivent donc être traitées en ligne. Ceci constitue un défi pour les systèmes de monitoring à base de modèles utilisées pour le diagnostic la prédiction ou le pronostic. Nous nous intéressons particulièrement aux modèles composés de motifs temporels sous forme de chroniques. Dans ce cas l'adaptation consiste à ajouter ou à retirer des chroniques du modèle ou encore à ajouter ou à retirer des événements des chroniques ainsi que d'étendre ou restreindre les contraintes temporelles. Deux projets servent de cadre à ces études : la plate-forme Calicot (surveillance d'arythmies cardiaques) et le projet SéSur (Sécurité et surveillance de réseaux de télécommunications - détection d'intrusion). Dans le premier projet notre objectif est de prendre en compte l'évolution du patient. Dans le second, l'objectif est de prendre en compte de nouveaux types d'attaques qui doivent être repérées lorsque une évolution remarquable des données se produit. Une troisième application est en cours d'analyse : la surveillance biologique d'un troupeau de vache à partir de données enregistrées par des capteurs embarqués sur des vaches.