Classification des données de trafic réseau dans l'internet des objets : Approches intégrant des techniques avancées de Machine Learning

Informations

Établissement

Université Gaston Berger

Date de soutenance

05/08/2024

Résumé

L'Internet des Objets (IoT) représente une révolution technologique majeure, connectant une
multitude d'appareils intelligents pour créer un écosystème dynamique et interconnecté. Au
cœur de cette transformation, la gestion du trafic réseau est essentielle pour assurer une
communication fluide entre les dispositifs connectés. Avec la croissance rapide des appareils,
cette tâche devient de plus en plus complexe. La classification des données de trafic réseau est
donc un défi crucial, nécessitant des solutions innovantes pour garantir la sécurité, la
performance et la fiabilité des réseaux. Les méthodes traditionnelles de gestion du trafic tels
que la détection d'intrusion, la prévention des attaques DDoS (Distributed Denial of Service),
et la mise en œuvre de pare-feu pour protéger le réseau contre les menaces ne suffisent plus
face à la diversité des applications et des flux de données générés par les dispositifs IoT. Ce
mémoire se penche sur la classification multi-classe des données de trafic réseau dans l'Internet
des Objets en utilisant des techniques avancées de Machine Learning (ML). L'objectif est de
développer des modèles adaptatifs capables de comprendre et de catégoriser efficacement les
données de trafic, améliorant ainsi la gestion et la sécurité des réseaux. Dans ce travail, nous
avons proposé trois modèles de Machine Learning (Arbre de Décision, RandomForest et
AdaBoost), un modèle de réseau de neurone artificiel ANN et un modèle de réseau de neurone
récurrent RNN en utilisant le dataset CIC-IoT-dataset2022 Les résultats montrent que
DecisionTree et RandomForest sur-apprennent aux données d'entraînement. Cela signifie qu'ils
sont très performants sur ces données, mais généralisent mal sur de nouvelles données. En
revanche, le fait qu'AdaBoost n'atteigne pas un score parfait sur les données d'entraînement
indique qu'il ne sur-apprend pas autant. AdaBoost se concentre sur l'amélioration progressive
de la performance, ce qui conduit souvent à une meilleure généralisation sur les données de test.
Le modèle de réseau de neurones à 4 couches a montré une précision de 97,98%, tandis que le
RNN simple a atteint 98%. En conclusion, nous avons mis en place un modèle IA appris à partir
de données réelles qui nous permet de faire une classification efficace des données de trafic
réseau.