Inspiré par le traitement hiérarchique et l'efficacité énergétique du cerveau, cet article présente une architecture de réseau neuronal à pics (SNN) pour un système de détection d'intrusions réseau (NIDS) permanent. Le système proposé utilise d'abord un SNN statique efficace pour identifier les intrusions potentielles, puis active un SNN dynamique adaptatif pour classer des types d'attaques spécifiques. Imitant l'adaptation biologique, le classificateur dynamique exploite la plasticité structurelle inspirée de la méthode « Grow When Required » (GWR) et une nouvelle règle d'apprentissage adaptative de plasticité dépendante du temps de pic (Ad-STDP). Ces mécanismes biologiquement plausibles permettent au réseau d'apprendre progressivement de nouvelles menaces tout en conservant les connaissances antérieures. Les tests effectués avec le benchmark UNSW-NB15 dans un environnement d'apprentissage continu démontrent une adaptabilité robuste, une réduction des oublis fatals et une précision globale de 85,3 %. De plus, les simulations utilisant le framework Intel Lava démontrent une grande parcimonie opérationnelle, soulignant le potentiel d'un déploiement à faible consommation d'énergie sur du matériel neuromorphique.
