Sécurité intelligente pour les réseaux IoT : méthodes d’apprentissage automatique et profond

Informations

Établissement

Université Gaston Berger

Date de soutenance

03/08/2024

Résumé

L’internet des objets (IoT) est une technologie émergente qui connecte des milliards de
dispositifs dans divers domaines, allant de la santé aux villes intelligentes, en passant par
l’industrie et l’agriculture. Cependant, cette interconnectivité croissante présente des défis
majeurs en matière de sécurité. Les dispositifs IoT sont souvent vulnérables à une variété
d’attaques, notamment les attaques par déni de service (DoS), les intrusions et les manipulations à distance, ce qui peut entraîner des conséquences graves pour la confidentialité, l’intégrité et la disponibilité des données.
Pour tirer pleinement profit de cette technologie dont les domaines d’application sont souvent très sensibles, la mise en place de mécanismes de sécurité adaptés constitue une nécessité. Les avancées récentes dans le domaine de l’intelligence artificielle ont permis d’apporter des solutions à de nombreux problèmes. Les méthodes d’apprentissage automatique et profond ne cessent de repousser les limites de l’IA. Leurs applications dans le domaine de la cyber-sécurité ont suscité beaucoup d’intérêt et d’espoir.
Ainsi, cette thèse propose une solution basée sur l’apprentissage automatique et l’apprentissage profond pour améliorer la sécurité des réseaux IoT. Elle propose d’abord une classification du trafic IoT, comparant l’efficacité de divers modèles, dont les forêts aléatoires, XGBoost et les réseaux de neurones à mémoire à court-long terme (LSTM), pour différencier le trafic normal des attaques. Ensuite, elle utilise des autoencodeurs pour détecter des anomalies, démontrant leur capacité à identifier des comportements anormaux.
Le modèle distingue le trafic normal du trafic malveillant avec une grande précision. Enfin, un Framework intelligent de détection d’intrusions à trois niveaux est développé. Ce dernier intègre un premier auto-encodeur au niveau 1 pour la détection d’anomalie, un deuxième auto-encodeur au niveau 2 pour classer l’anomalie détectée en anomalie connue ou anomalie nouvelle. Au niveau 3 est implémenté un perceptron multi-couches pour identifier les attaques détectées. Les performances de ces modèles sont évaluées sur des jeux de données expérimentaux. Les résultats obtenus démontrent une précision de 99%, 99,60%
et presque 100% respectivement au niveau 1, niveau 2 et niveau 3. Les résultats de cette thèse confirment la robustesse des techniques d’apprentissage automatique et profond dans l’amélioration de la sécurité des réseaux IoT, avec des implications pratiques pour le déploiement de ces technologies dans des environnements réels.