Automatisation de l'Analyse de Sécurité des Emails par un Agent IA

📌 Description

Ce projet a pour objectif d'automatiser l'analyse de sécurité des emails en utilisant un agent basé sur l'Intelligence Artificielle. Il permet de détecter automatiquement les emails phishing, suspects et sûrs, afin d'améliorer la sécurité des communications électroniques.

Le projet fait partie de mon Projet de Fin d'Année (PFA) en 5ème année d'Ingénierie Informatique et Réseau à l'EMSI.

---

🛠 Technologies et outils utilisés

• Langage : Python 3.x
• Frameworks & Librairies : scikit-learn, pandas, numpy, TensorFlow / PyTorch, Streamlit
• Gestion de version : Git & GitHub

---

📁 Structure du projet

PFA_Email_Security/ │ ├── agent/ # Agent IA pour l'analyse et la classification ├── data/ # Contient les datasets d'emails ├── extraction/ # Scripts pour extraire les données brutes des emails ├── features/ # Extraction et transformation des caractéristiques ├── models/ # Modèles entraînés et sauvegardés ├── notebooks/ # Notebooks Jupyter pour exploration et tests ├── pages/ # Pages Streamlit si interface multi-pages ├── preprocessing/ # Scripts de nettoyage et prétraitement des emails ├── reports/ # Rapports générés après analyse ├── utils/ # Fonctions utilitaires ├── venv/ # Environnement virtuel Python ├── app.py # Script principal / interface Streamlit └── README.md # Description du projet

---

⚙️ Fonctionnalités

1. Prétraitement des emails (nettoyage, tokenization, vectorisation)
2. Extraction de caractéristiques pour la classification
3. Classification automatique des emails (phishing / safe)
4. Interface Streamlit pour tester vos emails
5. Génération de rapports ou alertes sur les emails suspects

---

📊 Dataset

• https://www.kaggle.com/datasets/subhajournal/phishingemails
• Contient des emails étiquetés : phishing ou safe
• Provenance : Kaggle ou corpus interne
• Colonnes principales :
  • subject : objet de l'email
  • body : contenu de l'email
  • label : catégorie (phishing ou safe)

---

🚀 Instructions pour exécuter le projet

1. Cloner le dépôt :
   git clone https://github.com/TON_UTILISATEUR/Automatisation_Analyse_Email_IA.git cd PFA_Email_Security

2. Installer les dépendances : pip install -r requirements.txt

3. Lancer l'application Streamlit : streamlit run app.py

4. Tester vos emails via l'interface interactive.

👥 Auteurs

TAHIRI Sara : https://github.com/SaraTahiri || https://www.linkedin.com/in/tahiri-sara/ LAHMIDI Anas : https://github.com/anasthe03 || https://www.linkedin.com/in/lahmidianas/

📊 Performances des Modèles

Modèle	Accuracy	Precision	Recall	F1-Score	ROC-AUC
Logistic Regression	96.5%	85.2%	88.5%	86.8%	0.88
Random Forest	97.2%	88.1%	91.3%	89.7%	0.93
Deep Learning	98.1%	92.5%	93.8%	93.1%	0.95

⚠️ Configuration requise

• Python 3.10+
• 4 GB RAM minimum
• 2 GB espace disque pour les modèles

📝 Notes importantes

⚠️ Les modèles entraînés ne sont pas inclus dans ce repo (>100MB) 📥 Télécharger depuis : [Google Drive Link] 🔐 Ne jamais analyser d'emails réels contenant des données sensibles sans anonymisation

🤝 Contribution

Les contributions sont les bienvenues ! Merci de :

1. Fork le projet
2. Créer une branche (git checkout -b feature/AmazingFeature)
3. Commit vos changements (git commit -m 'Add AmazingFeature')
4. Push vers la branche (git push origin feature/AmazingFeature)
5. Ouvrir une Pull Request

📞 Contact

Pour toute question : tahirisara911@gmail.com || anaslahmidi03@gmail.com