Enhancing intrusion detection in vehicular networks through deep learning approaches

Résumé

L’expansion récente de l’Internet des objets (IoT) a transformé les réseaux de véhicules en Internet des véhicules (IoV), où les véhicules modernes sont exposés à divers nouveaux types de cyberattaques. Afin de remédier à ces vulnérabilités, les systèmes de détection d’intrusion (IDS) jouent un rôle crucial dans la détection efficace des attaques avec une grande précision et un faible taux de fausses alarmes. Les approches traditionnelles d’apprentissage automatique ont été utilisées pour identifier les intrus dans le réseau, mais elles souffrent souvent d’une faible précision de détection et d’une grande complexité, ce qui les rend mal adaptées aux attaques dynamiques. Par conséquent, il existe un besoin pour un IDS avancé adapté aux scénarios en temps réel. Pour améliorer la sécurité de l’IoV, nous proposons un nouveau système de détection d’intrusion basé sur un modèle d’apprentissage en profondeur (DL) hybride génératif. Le modèle proposé combine le auto-encodeur variationnel à mémoire longue et à court terme (LSTMVAE), les unités récurrentes bidirectionnelles fermées (BiGRU) et un classificateur softmax. Le LSTMVAE est utilisé comme technique d’extraction de caractéristiques statistiques capable d’apprendre des séries chronologiques et des données multivariées à partir du réseau IoV. Les caractéristiques extraites sont ensuite introduites dans le classificateur BiGRU et softmax pour l’identification et la classification des cyber-attaques potentielles dans le réseau IoV. Les résultats expérimentaux basés sur l’ensemble de données ToN-IoT valident les performances supérieures de l’IDS proposé par rapport aux techniques de base couramment utilisées. En tirant parti des atouts du DL et des modèles génératifs, l’IDS proposé offre une solution plus efficace pour la détection des attaques dans les réseaux IoV. Il répond aux limites des approches traditionnelles d’apprentissage automatique et démontre une précision et des performances améliorées dans l’identification et la classification des cyberattaques. Cette recherche contribue à renforcer la sécurité des systèmes IoV et à atténuer les risques associés aux menaces émergentes.

Date	16 sept. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Georges Kaddoum (Directeur(-trice))