Une IA contre le cryptojacking : CryptoIDS-ViT atteint 99,35 % de précision

Les attaques par cryptojacking ces logiciels malveillants qui détournent discrètement les ressources de calcul d’un ordinateur pour miner des cryptomonnaies représentent une menace croissante pour les infrastructures numériques. Face à l’évolution des techniques d’évasion des systèmes de détection traditionnels, une équipe de chercheurs propose une solution innovante : CryptoIDS-ViT, un cadre de détection basé sur les vision transformers.

Publiée le 6 juillet 2026 dans la revue Scientific Reports (Springer Nature), cette étude introduit une méthode inédite pour transformer les binaires exécutables en images en couleurs ou en niveaux de gris avant d’appliquer des modèles de vision par ordinateur comme ViT, MaxViT ou SwinViT. L’objectif ? Détecter avec une précision record les attaques de cryptojacking, un défi encore peu exploré dans la cybersécurité.

Une précision record et une méthode reproductible

Les auteurs, Walid El-Shafai (premier auteur), Ahmad Taher Azar et Samah Alshathri, ont évalué leur approche sur un jeu de données équilibré de 40 000 échantillons (20 000 malveillants, 20 000 bénins). Les résultats sont sans appel : le modèle SwinViT atteint une précision de 99,35 % sur les images en couleur et de 99,08 % sur les images en niveaux de gris, avec un F1-score de 99,34 %. Ces performances surpassent de 3 à 4 % les systèmes de détection par réseaux de neurones convolutifs (CNN) existants, tout en maintenant une efficacité compatible avec des environnements temps réel ou contraints en ressources.

Parmi les innovations clés, l’étude propose :

• Une stratégie de codage binaire-à-image adaptée à l’extraction des caractéristiques des malwares ;
• Des visualisations de cartes d’attention pour améliorer l’interprétabilité des modèles ;
• Une analyse d’ablation sur l’impact du mode couleur vs. niveaux de gris ;
• Une évaluation de la complexité en temps et en mémoire, confirmant la faisabilité du déploiement sur des systèmes edge ou d’entreprise.

Ces résultats valident la capacité du cadre CryptoIDS-ViT à généraliser sa détection, quel que soit le type d’entrée ou le contexte de déploiement.

Ce que l’étude ne démontre pas et comment aller plus loin

Si les performances annoncées sont impressionnantes, cette étude ne prouve pas la généralisation du cadre à d’autres types de malwares ou à des environnements non testés. Les auteurs soulignent eux-mêmes que leur travail se concentre sur le cryptojacking basé sur l’hôte, un domaine encore émergent. Pour confirmer la robustesse de CryptoIDS-ViT, des tests sur des jeux de données plus vastes, incluant des variantes de malwares inconnues, seraient nécessaires. 

Reste que cette publication ouvre une piste concrète pour renforcer la souveraineté numérique des organisations, en s’appuyant sur des modèles d’IA avancés et des pipelines de détection transparents. Une avancée à suivre de près pour les responsables cybersécurité et les chercheurs en intelligence artificielle.

Passez à l'action avec BNTIC News : BNTIC CyberAlert permet de vérifier les vulnérabilités et correctifs liés aux logiciels ou produits mentionnés dans cette étude.

Pour aller plus loin : la publication est disponible en accès ouvert sur Nature Scientific Reports. Vous y trouverez le détail des méthodes, des jeux de données utilisés et des analyses complémentaires.