Surveillance des écosystèmes IoT par l'Intelligence Artificielle : Détection et analyse des comportements malveillants

dc.contributor.authorLatti, Achraf Abd Essadek
dc.date.accessioned2026-11-17T10:16:52Z
dc.date.available2026-11-17T10:16:52Z
dc.date.issued2026-09-30
dc.description.abstractFace 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.urihttps://dspace.univ-tlemcen.dz/handle/112/27371
dc.language.isofr
dc.publisherUniversity of Tlemcen
dc.relation.ispartofseriesN°inventaire 35
dc.subjectInternet des Objets (IoT)
dc.subjectCybersécurité
dc.subjectAutoencodeurs
dc.subjectRandom Forest
dc.subjectIsolation Forest
dc.subjectApprentissage Non Supervisé
dc.subjectErreur de Reconstruction
dc.subjectLatence d'Inférence
dc.subjectSécurité Proactive.
dc.titleSurveillance des écosystèmes IoT par l'Intelligence Artificielle : Détection et analyse des comportements malveillants
dc.typeThesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
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

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: