Sur la faisabilité de l'apprentissage profond dans la détection d'intrusions des réseaux de capteurs

Dans cette lettre, nous présentons une analyse complète de l'utilisation des solutions d'apprentissage automatique et d'apprentissage profond (DL) pour les systèmes IDS dans les réseaux de capteurs sans fil (WSN). Pour ce faire, nous introduisons un IDS basé sur des machines de Boltzmann restreintes (RBC-IDS), une méthodologie IDS potentielle basée sur le DL pour la surveillance des infrastructures critiques par les WSN. Nous étudions les performances de RBC-IDS et le comparons à l'IDS hybride supervisé de manière adaptative et regroupé précédemment proposé : l'IDS hybride adapté et regroupé (ASCH-IDS). Les résultats numériques montrent que RBC-IDS et ASCH-IDS atteignent les mêmes taux de détection et de précision, bien que le temps de détection de RBC-IDS soit environ deux fois celui de l'ASCH-IDS.