Ce travaille est une étude approfondie sur l’utilisation des techniques d’apprentissage automatiques pour détecter les intrusions dans les réseaux de l’Internet des Objets (IoT). Avec l’augmentation exponentielle du nombre de dispositifs IoT en service, la sécurité de ces réseaux est devenue une préoccupation majeure. Notre recherche se concentre sur l’implémentation et l’évaluation de plusieurs algorithmes d’apprentissage supervisés et non supervisés, y compris les K-Plus Proches Voisins (KNN), les K-moyens (KMeans), et les autoencodeurs pour la détection d’anomalies. Nous avons utilisé les deux jeux de données Edge-IIoTset et TON-IoT pour tester ces algorithmes. La méthodologie adoptée consistait à implémenter et tester chaque algorithme sous diverses configurations pour évaluer leur efficacité à identifier les comportements malveillants dans les flux de données IoT. Les défis incluaient la gestion de grandes dimensions de données, l’optimisation des performances des modèles en présence de déséquilibres de classes, et l’interprétation des résultats dans des contextes non supervisés. Les résultats obtenus démontrent une supériorité notable des approches supervisées, qui ont non seulement réalisé des taux de détection élevés mais ont également offert une robustesse significative face aux variations des types d’attaques. Ces modèles ont prouvé leur capacité à s’adapter et à généraliser à partir de données d’entraînement complexes, résultant en une précision et une réactivité améliorée dans la détection d’anomalies. Cette recherche contribue à la littérature existante en confirmant l’efficacité des techniques d’apprentissage automatiques supervisées dans la sécurisation des environnements IoT et suggère des directions pour de futures études, notamment l’intégration de l’intelligence artificielle plus avancée pour développer des systèmes de détection d’intrusions plus dynamiques et adaptatifs. La finalité étant de renforcer la résilience des infrastructures IoT face à une panoplie d’attaques cybernétiques de plus en plus sophistiquées.
Voire le pdf Projet_Sécurité_IoT