Une revue systématique de la détection d'anomalies dans la sécurité de l'IoT : vers une approche d'apprentissage machine quantique

L'intégration de l'IoT dans la vie quotidienne génère des données massives, permettant la création d'usines intelligentes et favorisant les avancées dans des technologies connexes telles que l'informatique cloud/de périphérie, l'apprentissage automatique (ML) et l'intelligence artificielle (IA). Bien que le ML ait été utilisé pour l'analyse des données et la prévision, des défis tels que la complexité des données, la sécurité et les limitations de calcul persistent, en particulier dans la détection d'anomalies cruciale pour la sécurité des réseaux. Des recherches récentes indiquent le potentiel de l'informatique quantique et de l'apprentissage machine quantique (QML) pour surpasser les méthodes traditionnelles dans la détection d'anomalies au sein de l'IoT, un domaine qui manque d'une revue complète. Cet article présente une revue systématique des techniques de détection d'anomalies basées sur l'apprentissage automatique pour la sécurité de l'IoT. Malgré les revues précédentes, cette étude inclut l'analyse de l'ingénierie des caractéristiques et des techniques d'apprentissage machine quantique dans la littérature. Nos résultats montrent que les modèles actuels ont de taux de détection élevés sur des ensembles de données connus, mais rencontrent des problèmes d'évolutivité, de traitement en temps réel et de généralisation. Les préoccupations en matière de confidentialité et de sécurité dans l'apprentissage fédéré (FL) et les effets de la dérive des données doivent également être abordés, ainsi que les défis liés aux environnements IoT activés par la 5G et la 6G. Les directions futures incluent l'intégration de l'IA explicable dans la détection d'anomalies, l'exploration de techniques d'apprentissage adaptatif et la combinaison de la blockchain avec des modèles d'apprentissage automatique. L'étude souligne également le potentiel de l'informatique quantique pour améliorer la détection des menaces grâce à des modèles d'apprentissage machine quantique.