Détection des anomalies dans l’Internet des Objets

Abstract

L’essor de l’Internet des Objets (IoT) et de son pendant industriel (IIoT) a profon dément transformé les systèmes cyber-physiques modernes. Cette connectivité ubi quitaire, moteur d’efficacité et d’automatisation, a cependant accru la complexité, l’hétérogénéité et la vulnérabilité des réseaux connectés. Dans ce contexte, la dé tection d’anomalies joue un rôle essentiel pour assurer la fiabilité, la résilience et la sécurité des infrastructures IoT. Cette thèse s’inscrit dans cette problématique en proposant des approches d’apprentissage profond capables d’identifier des com portements anormaux dans des flux de données massifs, dynamiques et hétérogènes. Après avoir établi un cadre conceptuel unifié définissant les notions d’anomalies, de défaillance et d’intrusion, les travaux ont porté sur la conception et l’évaluation de deux modèles complémentaires. Le premier modèle, fondé sur une architecture hy bride CNNDNN, a été appliqué au jeu de données Edge-IIoTset pour la détection d’attaques dans des environnements IIoT. Les résultats expérimentaux montrent une amélioration significative des performances de classification sur plusieurs configura tions de classes, confirmant la robustesse du modèle proposé. Le second modèle repose sur un Réseau de Neurones à Graphes Hétérogènes (DHGNN), appliqué au jeu de données CIC-Darknet2020, pour la classification du trafic chiffré. Cette approche tire parti des relations entre entités du réseau pour identifier les comportements suspects sans analyse du contenu. Les résultats obtenus démontrent la pertinence de combi ner ingénierie des données, apprentissage profond et modélisation relationnelle pour renforcer la sécurité et la surveillance intelligente des systèmes IoT. Des perspectives sont enfin ouvertes vers l’apprentissage fédéré, l’adaptation en ligne et l’explicabilité des modèles.