Classificateur d'ensemble par vote majoritaire pour détecter les attaques de keylogging sur l'Internet des objets

Une attaque d'intrusion sur l'Internet des objets (IoT) est toute activité malveillante ou accès non autorisé qui compromet l'intégrité et la sécurité des systèmes, réseaux ou dispositifs IoT. En ce qui concerne l'IoT, les intrusions peuvent entraîner de graves problèmes, notamment des perturbations de service, le vol de données, des violations de la vie privée et même des blessures corporelles. L'une des attaques d'intrusion est une attaque par keylogging, parfois appelée enregistrement de frappes ou capture de clavier, qui est un type de cyberattaque où l'attaquant observe et enregistre secrètement les frappes effectuées sur le clavier d'un appareil. Dans le contexte de l'IoT, où les objets connectés communiquent et échangent des données, cette agression peut être particulièrement préoccupante. Les attaques par keylogging peuvent avoir de graves répercussions dans l'écosystème IoT, car elles peuvent compromettre des informations sensibles, y compris des mots de passe de connexion, des informations personnelles, des informations financières ou des communications confidentielles. Cet article a exploré la possibilité d'utiliser un classificateur d'ensemble pour détecter les attaques par keylogging dans les réseaux IoT. Nous avons construit un classificateur d'ensemble composé de trois classificateurs : un réseau neuronal convolutif (CNN), un réseau neuronal récurrent (RNN) et un réseau de mémoire à long et court terme (LSTM). Un modèle proposé utilise le jeu de données BoT-IoT pour détecter une attaque par keylogging. Les résultats montrent que le modèle d'ensemble peut améliorer les performances du modèle. Le modèle d'ensemble avait une excellente précision et un faible taux de faux positifs. Il avait également des taux de détection considérablement améliorés pour les attaques par keylogging par rapport à d'autres classificateurs.