Système de détection d'intrusions basé sur l'apprentissage fédéré pour l'Internet des objets utilisant des modèles d'apprentissage profond supervisés et non supervisés

L'adoption de l'Internet des objets (IdO) dans notre société axée sur la technologie est entravée par des défis de sécurité et de confidentialité des données. Pour aborder ces problèmes, des techniques d'intelligence artificielle (IA) telles que l'apprentissage machine (ML) et l'apprentissage profond (DL) peuvent être appliquées pour construire des systèmes de détection d'intrusions (IDS) qui aident à sécuriser les réseaux IoT. L'apprentissage fédéré (FL) est une approche décentralisée qui peut améliorer la performance et la confidentialité des données en formant des IDS sur des dispositifs connectés individuels. Cette étude propose l'utilisation de modèles d'apprentissage profond non supervisés et supervisés formés via FL pour développer des IDS pour des dispositifs IoT. La performance des modèles formés par FL est comparée à celle des modèles formés sans FL en utilisant le jeu de données N-BaIoT de neuf dispositifs IoT. Pour améliorer la précision des modèles DL, une optimisation des hyperparamètres par recherche aléatoire est effectuée. Diverses métriques de performance sont utilisées pour évaluer les résultats de prédiction. Les résultats indiquent que le modèle AutoEncoder (AE) non supervisé formé via FL est le meilleur dans l'ensemble en termes de toutes les métriques, basé sur les tests des modèles formés par FL et non FL sur l'ensemble des neuf dispositifs IoT.