Détection intelligente de brouillage dans les réseaux 5G

Résumé

Dans les réseaux 5G, le réseau d’accès radio de nuage (C-RAN), également appelé réseau d’accès radio centralisé, est considéré comme une architecture future prometteuse en termes de minimisation de la consommation d’énergie et d’allocation efficace des ressources. Il fournit des infrastructures de nuage en temps réel, une radio coopérative et un traitement centralisé des données. Récemment, étant donné leur vulnérabilité aux attaques malveillantes, la sécurité des réseaux C-RAN a attiré une attention considérable. Parmi les diverses techniques de détection d’intrusion basées sur les anomalies, la plus prometteuse est la détection d’intrusion basée sur l’apprentissage machine (ML-IDS) car elle apprend avec moins d’interventions humaines. Dans ce sens, de nombreuses solutions ont été proposées qui soit elles ne sont pas très précises en termes de classification d’attaques, soit elles n’offrent qu’une seule couche de détection d’attaques. Ce mémoire se concentre sur le déploiement d’un système de détection d’intrusion (IDS) à plusieurs niveaux dans l’architecture C-RAN basé sur l’apprentissage profond qui peut détecter et classer plusieurs types d’attaques de brouillage : brouillage constant, brouillage aléatoire, brouillage trompeur, et brouillage réactif. Ce déploiement assure une sécurité accrue en minimisant les faux négatifs dans la classification. L’évaluation expérimentale de la solution proposée est réalisée sur les données WSN-DS (Wireless Sensor Networks DataSet), qui est un ensemble de données de réseau sans fil dédié à la détection des intrusions. La précision de la classification finale d’attaques est de 94,51% avec un taux de faux négatifs de 7,84%.

Date	3 juin 2020
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Georges Kaddoum (Directeur(-trice))