Détection d'anomalies des cyberattaques IoT dans les villes intelligentes à l'aide de l'apprentissage fédéré et de l'apprentissage compartimenté

La prolifération rapide des dispositifs de l'Internet des Objets (IoT) dans les infrastructures des villes intelligentes a créé une demande urgente de mesures de cybersécurité robustes. Ces dispositifs sont sensibles à diverses cyberattaques qui peuvent compromettre la sécurité et la fonctionnalité des systèmes urbains. Cette recherche présente une approche innovante pour identifier les anomalies causées par les cyberattaques IoT dans les villes intelligentes. La méthode proposée exploite l'apprentissage fédéré et l'apprentissage compartimenté et aborde le double défi d'améliorer la sécurité du réseau IoT tout en préservant la confidentialité des données. Cette étude réalise des expériences approfondies en utilisant des ensembles de données authentiques provenant de villes intelligentes. Pour comparer l'efficacité des algorithmes d'apprentissage automatique classique et des modèles d'apprentissage profond dans la détection d'anomalies, l'efficacité des modèles est évaluée en utilisant la précision, le rappel, le score F-1, la précision et le temps de formation/déploiement. Les résultats montrent que l'apprentissage fédéré et l'apprentissage compartimenté ont le potentiel de concilier les préoccupations en matière de confidentialité des données avec une performance compétitive, offrant des solutions robustes pour détecter les cyberattaques IoT. Cette étude contribue à la discussion en cours sur la sécurisation des déploiements IoT dans les environnements urbains. Elle jette les bases de stratégies de cybersécurité évolutives et respectueuses de la vie privée. Les résultats soulignent le rôle vital de ces techniques dans le renforcement des villes intelligentes et la promotion du développement de mesures de cybersécurité adaptables et résilientes à l'ère de l'IoT.