DIALLO Abdoulaye

Projet affilié : IoT-SDC

CEA affiliés :

CEA SMIA, Université d’Abomey-Calavi

CEA MITIC Université Gaston Berger

Directeur de thèse : Prof. Chérif DIALLO, ACE MITIC, UFR des Sciences Appliquées et de Technologies, Université Gaston Berger, Sénégal, cherif.diallo@ugb.edu.sn

Co-directeur de thèse : Prof. Eugène C. EZIN, ACE SMIA, Institut de Mathématiques et de Sciences Physiques, Université d’Abomey-Calavi, Bénin, eugene.ezin@gmail.com

Autres contributeurs à l’encadrement de la thèse : Prof. Mady CISSE, ESP, UCAD, Sénégal

Date de début : 01/06/2021
Date prévisionnelle de soutenance de thèse : Juin-Juillet 2024
Profil ORCID : 0000-0003-0591-4525

Titre : Framework dynamique de prévention et de réaction aux incidents de sécurité dans l’IoT

• LinkedIn

Résumé de votre sujet de doctorat :

L’internet des objets (IdO) a révolutionné notre vie quotidienne, en rationalisant les tâches dans divers domaines. Toutefois, la prolifération des applications mobiles et l’expansion des réseaux de télécommunications ont entraîné une augmentation massive des flux de données, ce qui pose le problème de leur gestion et de leur classification. Dans le domaine de la cybersécurité, l’IdO expose de nombreux appareils au risque de devenir la cible d’attaques telles que les réseaux de zombies. Un classificateur intelligent, basé sur l’analyse des données, devient crucial pour détecter les menaces et répondre rapidement aux incidents. Ce projet vise à développer un modèle de classification des données IoT à l’aide de réseaux neuronaux artificiels. Ce classificateur fera la distinction entre le trafic normal et le trafic malveillant et identifiera les types d’attaques courantes dans les systèmes IoT. La contribution significative réside dans la création d’un Cadre dynamique capable de prévenir et de répondre aux incidents de sécurité IoT en utilisant des techniques d’intelligence artificielle, en particulier l’apprentissage profond.

Résumé des résultats obtenus :
Nos résultats de recherche se concentrent sur la sécurité dans l’Internet des objets (IoT), avec quatre publications couvrant la surveillance de l’activité des maisons intelligentes, la détection des anomalies et l’intrusion dans les réseaux IoT. Le premier article [1] porte sur l’application des techniques d’apprentissage profond à la reconnaissance de l’activité humaine dans les environnements de l’IdO, avec un accent particulier sur la surveillance des maisons intelligentes. Nous avons évalué l’efficacité de différents modèles d’apprentissage profond, notamment MLP, RNN et LSTM, pour classer les activités des résidents dans une maison équipée de capteurs ambiants. La deuxième étude [2] compare deux classificateurs, binaire et multi-classe, pour la détection d’anomalies, montrant que le classificateur multi-classe a un léger avantage sur les données avec des anomalies connues, tandis que le classificateur binaire est plus efficace sur les données contenant des anomalies inconnues. La troisième publication [3] propose un système de détection des intrusions pour le trafic MQTT, utilisant un autoencodeur pour détecter les intrusions avec une grande précision sur les données normales et les données d’attaque. Enfin, la quatrième recherche [4] présente un système de détection d’intrusion à trois niveaux, avec des autoencodeurs pour détecter les intrusions et un MLP pour classer précisément la nature des attaques. Dans l’ensemble, ces travaux mettent en évidence l’efficacité des approches basées sur l’apprentissage automatique et l’apprentissage profond pour renforcer la sécurité des réseaux IoT.