Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

L’essor massif de l’Internet des Objets transforme les infrastructures numériques modernes et augmente de manière significative la surface d’attaque des réseaux. Les dispositifs connectés, souvent limités en ressources et peu sécurisés, deviennent des cibles privilégiées pour des attaques variées telles que les botnets, les attaques par déni de service ou les campagnes de reconnaissance. Dans ce contexte, la mise en place de mécanismes de détection fiables et adaptatifs constitue un enjeu essentiel pour garantir la fiabilité et l’intégrité des environnements IoT.

Ce mémoire propose une analyse comparative approfondie de plusieurs méthodes hybrides d’apprentissage profond appliquées à la détection de cyberattaques IoT. Trois modèles ont été conçus et évalués à partir du jeu de données CIC IoT 2023, soit les modèles CNN, CNN LSTM et Stacked CNN LSTM. Les données ont été prétraitées à l’aide d’un processus rigoureux comprenant le nettoyage, la normalisation, l’équilibrage et la transformation en séquences temporelles. Les performances obtenues ont été comparées à celles de deux méthodes classiques, Random Forest et Logistic Regression, afin de proposer une analyse expérimentale complète.

Les résultats montrent que les méthodes hybrides d’apprentissage profond exploitent efficacement la complémentarité entre les caractéristiques spatiales et temporelles, améliorant ainsi la détection de plusieurs cyberattaques complexes. Les approches classiques conservent toutefois un avantage notable dans les contextes où les motifs statistiques sont fortement marqués. L’analyse des matrices de confusion et des courbes ROC révèle également les difficultés persistantes liées aux attaques de reconnaissance et aux attaques par force brute qui imitent parfois les comportements légitimes.

Cette étude s’inscrit finalement dans une perspective large intégrant les enjeux de confidentialité, l’apprentissage distribué et l’explicabilité, dimensions essentielles à la conception de mécanismes de détection robustes et adaptés aux contraintes des environnements IoT.