Trust-aware and collaborative routing protocol for automatic fault diagnosis for IoT security

Résumé

Cette thèse examine la sécurité des réseaux IoT basés sur RPL en soutenant que le routage et la détection d’intrusion ne doivent pas être considérés comme des problèmes distincts dans des environnements contraints. Dans les réseaux à faible puissance et à pertes élevées, les attaques peuvent se manifester à travers des comportements de routage apparemment légitimes, ce qui rend les hypothèses de détection classiques moins fiables. Pour cette raison, l’étude cherche à déterminer si une stratégie de routage fondée sur la confiance, mise en œuvre sous la forme de TACR-HOF, peut générer des traces comportementales plus utiles pour la détection d’intrusion que celles produites par la fonction objective conventionnelle MRHOF. L’idée centrale est que la politique de routage n’influence pas seulement l’acheminement des paquets, mais qu’elle façonne aussi la qualité des preuves comportementales disponibles pour le système de détection d’intrusion. Pour répondre à cette question, la thèse développe un cadre comparatif de simulation à l’aide de Contiki-NG et du simulateur Cooja. La même famille de six topologies est testée sous deux schémas de routage, MRHOF et TACR-HOF, tandis que quatre attaques spécifiques à RPL sont injectées : l’attaque du numéro de version, l’attaque de diminution du rang, l’attaque d’inondation DIS et l’attaque de transfert sélectif. Au lieu de s’appuyer sur une capture complète des paquets, l’étude utilise des résumés comportementaux collectés à partir des nœuds et de leurs voisins, puis transformés en jeux de données structurés pour une détection d’intrusion fondée sur l’apprentissage automatique. Cette conception permet de comparer non seulement les performances de routage, mais aussi la manière dont chaque schéma de routage influence la visibilité, l’équilibre et la séparabilité des comportements malveillants dans les données produites. Les résultats montrent que TACR HOF fournit une base plus solide pour une détection d’intrusion comportementale que MRHOF. Il génère une empreinte comportementale malveillante plus riche, améliore les performances des classifieurs pour tous les modèles testés et réduit de façon significative l’erreur la plus critique du système de détection, à savoir la classification erronée d’un comportement malveillant comme normal. La détection par type d’attaque s’améliore également pour les quatre classes d’attaques étudiées, en particulier pour les manipulations du plan de contrôle comme les attaques sur la version et le rang. Toutefois, au niveau du routage, les résultats demeurent nuancés : TACR-HOF améliore plusieurs mesures au niveau des scénarios, notamment la livraison des paquets et la réduction des transmissions manquées dans de nombreux cas, mais il ne surpasse pas MRHOF de manière uniforme dans toutes les topologies ni pour toutes les métriques de routage. Dans l’ensemble, la thèse aboutit à une conclusion équilibrée. Elle ne prétend pas que TACRHOF soit universellement supérieur pour tous les objectifs de routage, mais elle démontre qu’il est plus efficace comme approche de routage orientée vers la sécurité. Sa contribution principale consiste à montrer que la modification de la fonction objective de routage peut améliorer la qualité des preuves comportementales fournies à un système de détection d’intrusion, rendant ainsi les attaques plus visibles, plus distinctes et plus faciles à détecter dans les réseaux IoT contraints.

Date	17 juin 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Michel Kadoch (Directeur(-trice))