Nezha H.
Étudiante ingénieure en 4e année Réseaux et Sécurité informatique à l'eniad, en recherche de stage PFA en cybersécurité
Présentation
Je suis en 4e année du cycle d'ingénieur Réseaux et Sécurité informatique à l'ENIAD, après un DUT en Génie informatique. Mes projets: une plateforme SOC de threat hunting proactif (Wazuh, Zeek, Shuffle, TheHive, MISP, Suricata), la sécurisation dynamique d'un réseau SDN avec OpenFlow et des smart contracts (attaques mitigées en 1 à 5 secondes), et un modèle LightGBM de prédiction de congestion réseau atteignant 90 % de précision.
J'ai fait trois stages en développement web, dont un où j'ai audité la sécurité du code généré par IA et corrigé des vulnérabilités d'authentification et d'exposition de données.
Je cherche un stage PFA de 2 à 3 mois en cybersécurité, réseaux, cloud ou IA, à Casablanca, Rabat, Marrakech, Tanger ou El Jadida.
Formation
Cycle d'ingénieur Réseaux et Sécurité informatique · ENIAD
2024
DUT en Génie informatique · EST Essaouira
2022 – 2024
Expérience
Stagiaire développement web et IA · TechforTitude
2025
Audité la sécurité du code généré par l'IA et corrigé des vulnérabilités (authentification, exposition de données). Outils: Firebase, Supabase, Gemini, JavaScript, React.js.
Stagiaire développement web (stage PFE) · TechforTitude
2024
Ajouté la traduction dynamique et de nouvelles fonctionnalités dans une application Laravel (MVC). Outils: Laravel, PHP, MySQL, JavaScript.
Stagiaire d'initiation en développement web · Province de Chichaoua
2023
Stage de 2 mois en développement web.
Projets
Plateforme SOC de threat hunting proactif (PFA)
Déployé un SOC sur un lab virtualisé: SIEM/EDR Wazuh et Zeek, réponse automatisée (SOAR) avec Shuffle, TheHive, MISP, Cortex et l'API PFsense. Cadre MITRE ATT&CK et IOC.
Sécurisation dynamique d'un réseau SDN
Défendu un réseau SDN via OpenFlow et smart contracts Solidity: attaques (DDoS, scan de ports, spoofing, brute force) mitigées en 1 à 5 secondes, traçabilité sur blockchain. Outils: Mininet, Ryu, Python, Scapy.
Prédiction de congestion réseau par Machine Learning
Entraîné un modèle LightGBM à 3 classes sur le trafic TCP réel: 90 % de précision, F1 pondéré de 0,92.