Méthodes intelligentes de détection et de classification d'anomalies dans les réseaux IoT

Informations

Établissement

Université Gaston Berger

Date de soutenance

27/11/2025

Résumé

L’Internet des Objets (IoT) connaît une croissance rapide avec la prolifération d’appareils connectés générant en continu un volume considérable de données. Cependant, cette expansion s’accompagne de nouvelles vulnérabilités et d’un risque accru d’attaques et d’anomalies.
Ce travail de recherche s’inscrit dans le cadre de la sécurisation des réseaux IoT à travers la détection et la classification intelligente des anomalies en s’appuyant sur des techniques d’apprentissage automatique.
Une approche expérimentale a été menée à partir de deux jeux de données : IoT Network et UNSW-NB15, permettant d’évaluer plusieurs modèles de classification. Quatre algorithmes ont été utilisés pour la détection binaire des anomalies : Decision Tree, Random Forest, AdaBoost et Réseau de Neurones Artificiel (ANN). Pour la classification multi-classe (identification du type d’attaque), les modèles Decision Tree, Random Forest, KNN et ANN ont été comparés.
Les résultats obtenus montrent que l’algorithme AdaBoost offre les meilleures performances pour la détection binaire, tandis que le modèle Random Forest se distingue pour la classification multi-classe avec une précision de 100 % sur IoT Network et 99 % sur UNSW-NB15.
Enfin, l’intégration de ces modèles dans une Fog Computing architecture est proposée afin d’améliorer la rapidité, la confidentialité et la résilience de la détection d’anomalies au sein des réseaux IoT.