Multi-class detection and classification of security attacks in IoT networks using machine learning based on BoT-IoT dataset

Résumé

La prolifération rapide des dispositifs de l’Internet des objets (IoT) et des réseaux de capteurs sans fil (Wireless Sensor Networks – WSN) a considérablement élargi la surface d’attaque des réseaux modernes, rendant les mécanismes de détection d’intrusion plus importants que jamais. Cependant, de nombreuses études dans ce domaine s’appuient encore sur des jeux de données de référence anciens, tels que KDD Cup 99, NSL-KDD et DARPA, qui ne reflètent plus adéquatement les caractéristiques du trafic IoT actuel. De plus, les travaux existants se concentrent souvent sur la classification binaire des attaques et accordent peu d’attention au problème du déséquilibre des classes, pourtant très présent dans les ensembles de données réels, ainsi qu’aux contraintes de calcul propres aux environnements IoT. Cette thèse évalue expérimentalement plusieurs modèles d’apprentissage automatique pour la détection et la classification multiclasses d’attaques dans les réseaux IoT à partir d’un sous-ensemble stratifié du jeu de données BoT-IoT. L’étude examine de manière systématique l’influence de différentes techniques de traitement du déséquilibre des classes, notamment le suréchantillonnage aléatoire, le sous-échantillonnage aléatoire, la technique de suréchantillonnage synthétique des classes minoritaires (SMOTE) ainsi que l’apprentissage sensible aux coûts. Plusieurs algorithmes de classification sont évalués dans ces différentes conditions, soit les forêts aléatoires (Random Forest), le gradient boosting, la régression logistique et les réseaux de neurones artificiels (ANN), afin d’analyser leur capacité à détecter diverses catégories d’attaques. Les performances sont évaluées à l’aide de plusieurs indicateurs, notamment l’exactitude, le rappel moyen macro (macro-recall) et le score F1 moyen macro (macro-F1), ainsi qu’au moyen de mesures liées aux coûts computationnels, telles que les temps d’entraînement et de test. Les résultats montrent que le choix du modèle de classification et de la stratégie de gestion du déséquilibre des classes influence fortement les performances de détection. Plus précisément, la comparaison entre les modèles de référence et leurs variantes utilisant le suréchantillonnage, le sous-échantillonnage, SMOTE ou la pondération des classes met en évidence différents compromis entre la qualité de la prédiction et les coûts de calcul. Les expérimentations démontrent également que les approches tenant compte du déséquilibre des classes améliorent la détection multiclasses des attaques par rapport aux modèles non ajustés. Par ailleurs, l’apprentissage sensible aux coûts apparaît comme une solution intéressante aux méthodes de rééchantillonnage, puisqu’il permet de réduire les traitements supplémentaires liés aux données tout en maintenant de bonnes performances de classification. Dans l’ensemble, cette recherche met en évidence des combinaisons modèle–stratégie offrant un meilleur équilibre entre efficacité de détection et efficience computationnelle, contribuant ainsi au développement de systèmes de détection d’intrusion adaptés aux environnements IoT à ressources limitées.

Date	24 août 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Michel Kadoch (Directeur(-trice))