Classification des données du trafic réseau pour la détection d’anomalie dans l’IoT : cas d’un smart home

Informations

Établissement

Université Gaston Berger

Date de soutenance

11/02/2022

Résumé

Ce travail porte sur la detection d’anomalie de trafic dans un réseau IoT dans le cas d’un smart
home. L’objectif est de mettre en place un modèle de classification basé sur l’IA pour détecter dans
un réseau si un trafic est normal ou anomal. Pour atteindre ces objectifs, nous avons adopter une
démarche qu’on a présenté autour de trois chapitres.
Dans le chapitre premier nous avons fait présentation sur les généralités sur l’IoT en
détaillant d’abord ses éléments techniques tels que ses architectures et composants. Ensuite, de
présenter les caractéristiques de données et les différents domaines d’applications. Il a été question
aussi dans ce chapitre d’analyser et de discuter de la sécurité dans les réseaux IoT. Nous avons de
ce fait présenté les enjeux de sécurités dans l’IoT, les menaces, les différentes attaques et les
solutions proposées pour lutter contre ces différents types de menaces. Ce chapitre nous a permis
de mettre le contexte de notre étude afin de mieux aborder le problème posé.
Dans le deuxième chapitre, nous avons fait une étude des différentes méthodes de
classification de données qu’offre l’IA. Pour cela, nous avons d’abord donné quelques éléments
introductifs sur l’IA : définitions, branches, etc. Ensuite, nous avons fait une discussion sur les
modèles de classification IA par rapport à ses différents sous branches : Machine Learning, réseau
de neurones, et Deep Learning. Cette discussion nous a permis de mieux comprendre les modèles
les plus adaptés par rapport à notre problème et d’avoir leurs critères d’applicabilité.
Dans le dernier chapitre, nous avons fait une implémentation de modèles de classification
pour la détection d’anomalie dans les réseaux de smart home. Nous avons testé et comparé trois
performants modèles : Random Forest, AdaBoost et un modèle de réseau de neurone. L’AdaBoost
offre le meilleur résultat avec 97% de précision dans les prédictions tout en se comportant très bien
avec des données nouvelles.
En somme, nous avons mis en place un modèle IA appris à partir de données réelles qui
nous permet de détecter avec une très bonne performance les trafics anormales.