Surveillance des écosystèmes IoT par l'Intelligence Artificielle : Détection et analyse des comportements malveillants
| dc.contributor.author | Latti, Achraf Abd Essadek | |
| dc.date.accessioned | 2026-11-17T10:16:52Z | |
| dc.date.available | 2026-11-17T10:16:52Z | |
| dc.date.issued | 2026-09-30 | |
| dc.description.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). | |
| dc.identifier.uri | https://dspace.univ-tlemcen.dz/handle/112/27371 | |
| dc.language.iso | fr | |
| dc.publisher | University of Tlemcen | |
| dc.relation.ispartofseries | N°inventaire 35 | |
| dc.subject | Internet des Objets (IoT) | |
| dc.subject | Cybersécurité | |
| dc.subject | Autoencodeurs | |
| dc.subject | Random Forest | |
| dc.subject | Isolation Forest | |
| dc.subject | Apprentissage Non Supervisé | |
| dc.subject | Erreur de Reconstruction | |
| dc.subject | Latence d'Inférence | |
| dc.subject | Sécurité Proactive. | |
| dc.title | Surveillance des écosystèmes IoT par l'Intelligence Artificielle : Détection et analyse des comportements malveillants | |
| dc.type | Thesis |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- Surveillance_des_ecosystemes_IoT_par_l'Intelligence_Artificielle_,Detection_et_analyse_des_comportements_malveillants.pdf
- Size:
- 2.79 MB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
Loading...
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed upon to submission
- Description: