Détection précoce des intrusions dans les réseaux IoTpar une approche d’intelligence artificielle centralisée

Informations

Établissement

Université Gaston Berger

Date de soutenance

12/02/2026

Résumé

L’Internet des Objets (IoT) occupe une place centrale dans de nombreux domaines critiques,
mais son expansion rapide s’accompagne de défis majeurs en matière de sécurité, liés à
l’hétérogénéité des dispositifs, aux ressources limitées et à l’ouverture des architectures réseau.
Face à des attaques de plus en plus sophistiquées, les mécanismes de sécurité traditionnels se
révèlent insuffisants, rendant nécessaire le recours à des solutions intelligentes et adaptatives.
Ce mémoire propose une approche de détection précoce des intrusions basée sur une
intelligence artificielle centralisée dans les réseaux IoT. Plusieurs modèles de Machine
Learning et de Deep Learning ont été implémentés et évalués à l’aide du dataset CICIoT2023,
en s’appuyant sur des métriques de performance standards telles que l’exactitude, la précision,
le rappel et le score F1.
Les résultats obtenus mettent en évidence que les modèles de Machine Learning, et en
particulier Random Forest, offrent d’excellentes performances en matière de détection des
intrusions, tout en garantissant une rapidité d’exécution et une simplicité d’implémentation
appréciables. À l’inverse, les modèles de Deep Learning, bien que puissants d’un point de vue
théorique, ne parviennent pas à surpasser les modèles de Machine Learning dans ce contexte,
notamment en raison de leurs besoins plus élevés en ressources computationnelles et en temps
de traitement.
Ces travaux confirment la pertinence des approches basées sur le Machine Learning pour
renforcer la sécurité des réseaux IoT et ouvrent des perspectives vers des solutions de détection
plus adaptatives, distribuées et mieux adaptées aux contraintes spécifiques des environnements
IoT.