Surveillance des écosystèmes IoT par l'Intelligence Artificielle : Détection et analyse des comportements malveillants
Loading...
Date
Authors
Latti, Achraf Abd Essadek
Journal Title
Journal ISSN
Volume Title
Publisher
University of Tlemcen
Abstract
Face à l'incapacité des systèmes de défense traditionnels à contrer la complexité
et la vélocité croissantes des cyberattaques, cette étude propose une architecture proactive
basée sur l'intelligence artificielle pour sécuriser les écosystèmes de l'Internet des Objets
(IoT). Le cœur de notre contribution réside dans la mise en œuvre d'une évaluation
comparative trilatérale, mettant en confrontation trois philosophies algorithmiques
distinctes : une approche classique non supervisée (Isolation Forest), une approche
classique supervisée (Random Forest), et une approche profonde non supervisée
(Autoencodeurs), cette dernière étant exploitée pour sa capacité à modéliser le
comportement sémantique normal via l'écart de l'erreur de reconstruction (MSE).
En évaluant ces modèles sur des flux de trafic réalistes et massifs issus du jeu de données
standardisé CICIoT2023 englobant des scénarios d'attaques contemporaines de type
DDoS, DoS et Brute Force, nos résultats expérimentaux valident la pertinence des réseaux
de neurones profonds. Bien que le modèle supervisé affiche une exactitude globale
légèrement supérieure (94%), l'Autoencodeur proposé parvient à un excellent compromis
(90%) tout en s'affranchissant de la contrainte de labellisation des données en temps réel
et en optimisant la latence d'inférence (1ms). Cette recherche démontre l'efficacité
opérationnelle des approches profondes non supervisées pour la détection des menaces
émergentes (Zero-Day) et offre une perspective concrète pour un déploiement embarqué
sur des passerelles IoT à ressources limitées (Edge Computing).