Le système de détection d’intrusion alimenté par AI surpasse les méthodes traditionnelles pour sécuriser les réseaux IoT

Alors que les appareils Internet des objets (IoT) prolifèrent dans des secteurs comme les villes intelligentes, les soins de santé et les systèmes industriels, ils sont devenus des cibles privilégiées pour les cyberattaques telles que le déni de service distribué (DDOS), le ransomware et les botnets. Cependant, les méthodes de sécurité traditionnelles ont du mal à faire face à ces attaques en raison de la puissance de calcul limitée des appareils IoT et de la nature dynamique des cyber-menaces.

Les systèmes de détection d’intrusion basés sur l’anomalie, qui identifient les écarts par rapport au comportement normal, sont devenus une solution prometteuse. Cependant, ces systèmes sont souvent confrontés à des défis tels que des coûts de calcul élevés et un taux accru de faux positifs. Cela nécessite le développement d’ID plus efficaces, évolutifs et précis spécialement conçus pour les contraintes et défis uniques des environnements IoT.

Publié dans Science et gestion des donnéesune équipe de chercheurs de l’Université d’Al Yamamah et d’Ecole Nationale Supérieure d’Informatique a introduit un nouveau système de détection d’intrusion (IDS) qui intègre l’apprentissage automatique et les modèles d’apprentissage en profondeur. Le système, testé sur l’ensemble de données RT_IOT2022, a démontré une précision exceptionnelle dans la détection et la classification des intrusions IoT.

Catboost est devenu le modèle leader, atteignant une précision de 99,85%, établissant une nouvelle référence dans la sécurité IoT. L’étude souligne le potentiel des algorithmes bio-inspirés comme l’optimisation de l’essaim de particules (PSO) pour améliorer l’efficacité et l’efficacité des solutions de cybersécurité dans les réseaux IoT limités aux ressources.

L’innovation de l’étude réside dans son approche hybride, où PSO optimise la sélection des fonctionnalités, réduisant les frais généraux de calcul tout en maintenant une grande précision. Six modèles – SVM, KNN, Catboost, Naive Bayes, CNN et LSTM – ont été évalués, avec un catboost excellant dans la classification binaire (précision de 99,85%) et la classification multicalasse (99,82%), surperformant d’autres méthodes telles que QAE-F16 par 2,6%. L’ensemble de données RT_IOT2022, qui comprend des scénarios d’attaque du monde réel comme l’empoisonnement ARP et les DDOS, a servi de terrain de test robuste.

Notamment, le PSO a contribué à réduire le temps de formation SVM de 23X avec une perte de précision minimale, sur les limites des ressources des appareils IoT. Cependant, des défis demeurent, tels que la classification des attaques rares qui ont mal classé les analyses NMAP FIN en raison du déséquilibre de l’ensemble de données, mettant en évidence les domaines pour le raffinement futur.

Le Dr Mourad Benmalek, l’auteur correspondant de l’étude, a souligné l’importance de leurs résultats, déclarant: « Notre cadre amélioré par le PSO atteint non seulement une précision sans précédent, mais optimise également les ressources, ce qui le rend pratique pour les déploiements IoT du monde réel. pour les environnements IoT avec des ressources limitées. « 

Les implications de ce cadre IDS sont vastes, s’étendant dans toutes les industries qui dépendent de l’IoT, y compris les soins de santé, les réseaux intelligents et l’automatisation industrielle. En minimisant les faux positifs et les coûts de calcul, le système permet une détection de menaces évolutive et en temps réel, qui est cruciale pour les industries qui reposent sur un service continu et ininterrompu. Les organisations peuvent améliorer la conformité réglementaire, protéger les données sensibles et renforcer la confiance des clients grâce à des mesures de cybersécurité robustes.

Les recherches futures pourraient se concentrer sur l’exploration des modèles hybrides et l’amélioration de l’adaptabilité en temps réel, l’amélioration des défenses IoT contre l’évolution des menaces. Cette étude établit une nouvelle référence pour les applications ML / DL dans la cybersécurité, offrant une étape essentielle vers une protection IoT plus forte face à des cyberattaques de plus en plus sophistiquées.