Deep Reinforcement Learning for Intrusion Detection in IoT Systems: Enhancing Security and Energy Efficiency

L’Internet des Objets (IoT) transforme les industries en permettant l’automatisation en temps réel et la prise de décision intelligente dans les villes intelligentes, les systèmes de santé et les environnements industriels. Toutefois, son expansion rapide introduit des défis de cybersécurité majeurs, aggravés par les contraintes de ressources, la diversité des protocoles de communication et l’évolution des menaces, telles que les attaques par déni de service distribué (DDoS). Les systèmes de détection d’intrusion (IDS) traditionnels souffrent de taux élevés de faux positifs, d’une adaptabilité limitée et d’une charge computationnelle excessive, soulignant ainsi la nécessité de solutions de sécurité intelligentes et auto-adaptatives conciliant détection des menaces et efficacité énergétique. Cette thèse répond à ces défis en proposant trois modèles innovants d’IDS basés sur l’apprentissage par renforcement profond (DRL) : DeepEdgeIDS, AutoDRL-IDS et EdgeShield- DRL. Ces modèles détectent et atténuent dynamiquement les cybermenaces à grande échelle grâce à l’utilisation de DRL supervisé et non supervisé, de la relecture d’expérience (experience replay) et de fonctions de récompense adaptatives. De plus, six modèles de sécurité IoT largement utilisés; à savoir: Personal Zone Hub (PZH), Trusted Communication Partner (TCP), Outbound-Only Connection (OOC), Blacklist (BL), Whitelist (WL) et Secure Sensor Node (SSN), sont évalués en termes de charge CPU, d’utilisation mémoire, de consommation énergétique et de robustesse en matière de sécurité. Ces analyses ont conduit au développement d’un cadre de sélection de patrons de sécurité basé sur le DRL, capable d’ajuster dynamiquement les configurations de sécurité en fonction des conditions en temps réel des passerelles de périphérie (“real-time edge gateway”), améliorant ainsi l’évolutivité et l’efficacité du système. L’un des apports majeurs de cette recherche est SecuEdge-DRL, un cadre de cybersécurité auto-adaptatif intégrant le DRL avec le modèle MAPE-K (“Monitor-Analyze-Plan-Execute- Knowledge”) afin d’optimiser dynamiquement les politiques de sécurité. Cette thèse introduit également une suite de test IDS modulaire, offrant une plateforme d’évaluation standardisée pour les modèles IDS basés sur l’apprentissage automatique dans les environnements IoT et Software-Defined Networking (SDN). Des expérimentations approfondies sur banc d’essai démontrent que les IDS basés sur le DRL améliorent significativement la précision de détection des menaces, réduisent le temps de réponse, diminuent le taux de faux positifs et améliorent la consommation énergétique, surpassant ainsi les approches IDS conventionnelles. En réduisant la charge computationnelle et la consommation énergétique tout en limitant les émissions de vi carbone, cette recherche contribue à l’essor de solutions de cybersécurité durables pour les déploiements IoT à grande échelle.