Intrusion Detection System for Internet of Things with Deep Learning

Les dernières technologies de connectivité ont entraîné un développement massive et une forte croissance de l’Internet des objets (Internet of Things : IoT), qui est un écosystème complet d’appareils interdépendants. L’IoT est utilisé dans de nombreux domaines tels que l’agriculture, l’industrie, les entreprises, la santé, le contrôle industriel, la défense et la sécurité, permettant ainsi une grande amélioration des fonctions quotidiennes. La sécurité des données est un problème important et si celles ci ne sont pas sécurisées, cela constitue une menace majeure aux réseaux IoT et leurs appareils associés. Étant donné que les appareils IoT sont généralement toujours connectés à Internet, la probabilité de sécuriser les données doit plus élevée que sur des machines autonomes. À cette fin, les appareils de l’IoT doivent utiliser des IDS avancés afin d’améliorer la sécurité des appareils. Les solutions IDS actuelles ne tiennent pas compte de l’hétérogénéité des réseaux IoT pour les différentes applications et appareils impliqués. Ainsi, il est très difficile à un unique IDS de détecter toutes les attaques existantes, car il a une connaissance limitée des schémas d’attaque et de leurs implications. De plus, l’IDS doit tenir compte de grande quantité de données générées par les réseaux IoT et nécessite d’analyser chaque paquet de trafic entrant et sortant en temps réel. Les contraintes de ressources des appareils IoT rendent aussi difficile les defenses aux cyberattaques et limitent l’utilisation de mécanismes avancés tels que les modèles d’apprentissage en profondeur à la détection des attaques. Les modèles d’apprentissage en profondeur sont difficiles à implémenter dans les IDS, car ils nécessitent beaucoup de ressources, en particulier dans des environnements IoT.