L’apprentissage profond pour la détection d’attaque DoS dans l’IoT
No Thumbnail Available
Date
2022
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
FACULTE DES SCIENCES
Abstract
L'IoT connecte toutes les choses dans le monde à Internet et constitue un moyen intelligent d'envoyer et recevoir des informations. Au fur et à mesure que cette technologie progresse, la nécessité d'exploiter la détection et la sensibilisation aux faiblesses augmente pour empêcher l'accès non autorisé aux ressources critiques et aux fonctions commerciales, rendant ainsi le système indisponible. Les attaques par déni de service (DoS) sont aussi communes. Le système de détection d’intrusion (IDS) est le processus qui examine l’activité du système ou du réseau pour trouver d’éventuelles intrusion ou attaques. Nous avons étudié les performances des méthodes d’apprentissage profond (DL) appliquées à la détection des intrusions pour Internet of Things. Ensuite, Nous avons évalué les méthodes proposées avec l’ensemble de données UNSW-NB15 pour la détection des attaques DoS sur IoT. Nous avons également présenté une étude comparative avec les algorithmes d’apprentissage profond, en utilisant différentes mesures appliquées pour l’évaluation des performances d’apprentissage profond (Précision, F1-score). Les résultats expérimentaux ont montré que les performances des algorithmes apprentissage automatique (ML) traditionnels sont supérieures à celles des approches de deep learning (DL) proposées en tant que modèles de détection avec une grande précision