Un cadre d'apprentissage automatique supervisé pour la détection précoce des attaques de type Man-in-the-middle

Alors que la dépendance aux dispositifs connectés croît, protéger l'environnement de l'Internet des objets (IoT) contre les attaques de type Man-in-the-Middle (MITM) est devenu essentiel. Cette étude utilise des méthodes d'apprentissage automatique (ML) pour renforcer le paysage IoT en fournissant une enquête approfondie sur la détection des attaques MITM dans l'IoT. En examinant soigneusement les modèles de trafic, les comportements anormaux et les protocoles cryptographiques, la méthode cherche à identifier les aberrations qui indiquent des compromis possibles des mécanismes de traduction automatique. Des modèles ML supervisés sont utilisés pour comprendre les comportements typiques des appareils IoT et détecter rapidement les anomalies suggérant des attaques MITM. En s'adaptant constamment à la nature changeante des environnements IoT, le système proposé non seulement identifie les attaques actives, mais prévoit et évite également de nouveaux dangers. Des études empiriques et des simulations du monde réel confirment l'efficacité de la méthode et montrent comment elle peut renforcer les défenses des réseaux IoT contre des cyberattaques complexes. Cet article élargit le corpus de connaissances sur le renforcement de la sécurité IoT en fournissant une manière proactive et flexible de contrer la menace croissante des attaques MITM dans l'espace IoT. L'ensemble de données de détection d'attaques MITM est utilisé par l'étude pour prévoir les attaques MITM utilisant différentes stratégies ML, telles que Random Forest (RF), Extreme Gradient Boosting (XGB), Decision Tree (DT) et Naive Bayes (NB). Pour trouver le meilleur modèle ML, des métriques telles que la précision, la sensibilité, la précision et la performance du score F1 ont été appliquées. Les taux de précision du DT, RF et NB sont respectivement de 97,25 %, 97,31 % et 95,55 %, tandis que le taux de précision le plus élevé est de 99,12 % pour le classificateur XGB.