Ensemble CNN-transformer basé sur l'attention pour la détection multiclasses de botnets dans les réseaux IIoT industriels

L'émergence des dispositifs industriels intelligents (IISD) a marqué une nouvelle ère de modernisation numérique des dispositifs IIoT intelligents interconnectés. Cependant, la communication de données traitée par les IISD et leur environnement de fonctionnement les rend vulnérables aux attaques de botnets ciblant les IISD. La détection des botnets dans un environnement IIoT (Internet industriel des objets) est particulièrement complexe et critique car les techniques utilisées par les botnets sont avancées pour échapper à la détection par les méthodes traditionnelles. L'objectif principal de cette recherche est de proposer une approche stratégique d'ensemble basée sur l'attention qui combine un réseau de neurones convolutif 1D (1D-CNN) pour l'extraction des caractéristiques spatiales avec un encodeur transformer pour la cartographie de la dépendance temporelle. Cette recherche se distingue des autres approches telles que RNN et les modèles d'apprentissage profond en ensemble, où le modèle proposé utilise l'auto-attention pour détecter la corrélation du trafic réseau sur de longues séquences sans dépendances récurrentes continues, ce qui en fait un modèle efficace pour tracer les botnets dans le trafic réseau. Cette étude vise à tester le modèle proposé sur des benchmarks de performance standards et sous stress, en utilisant le jeu de données de trafic botnet réel nommé IoT-23. Le modèle proposé pourrait devenir un modèle d'attention efficace pour la détection multiclasses de botnets ciblant l'IIoT. Il atteint un taux de précision de 99,96 % et un rappel micro moyen de 99,94 %, surpassant certains modèles plus anciens, dont KNN (96 %), Ensemble DL (97,9 %), Autoencoder (98 %), DNN-DT (97,8 %) et CNN (97,76 %). De plus, le modèle en ensemble analyse le déséquilibre des classes, l'importance des caractéristiques et les résultats finaux définissant que le modèle d'attention capturent les données temporelles, constituant ainsi une avancée vers une détection efficace et évolutive des botnets ciblant les IISD.