Détection et prévention
Détection d'anomalies : un modèle entraîné sur le trafic habituel signale les écarts, ce qui aide à repérer des attaques inédites, y compris de type zero-day.
Malwares : l'analyse du code, du comportement ou des appels système permet de reconnaître des variantes jamais observées.
Hameçonnage : détection des courriels et sites frauduleux à partir de l'adresse de l'expéditeur, des liens et des particularités linguistiques.
Supervision et renseignement
Analyse de journaux : corréler des volumes massifs d'événements pour faire ressortir une progression d'attaque noyée dans le bruit.
Vulnérabilités : repérage possible de motifs de code à risque avant leur exploitation.
Renseignement sur les menaces : identification de campagnes et priorisation des correctifs.
Cryptographie et authentification
Des usages émergents existent pour la génération de clés ou la cryptographie post-quantique, ainsi que pour renforcer l'authentification biométrique ou comportementale. Ces applications ne remplacent pas les algorithmes éprouvés.
Les limites à connaître
Données : il faut de grands volumes représentatifs, souvent difficiles à réunir en sécurité.
Explicabilité : justifier une décision est ardu, ce qui pose un vrai problème de responsabilité et de confiance.
Antagonisme : des entrées subtilement altérées peuvent tromper le modèle — une faille en soi.
Coût : entraînement et exploitation pèsent lourd en ressources de calcul.
Les réseaux de neurones ne sont donc pas une solution miracle mais un complément puissant aux méthodes classiques, à condition d'en maîtriser les limites.