Network Intrusion detection in IoT devices using machine learning techniques : a study in education and connected cars

Alors que les objets connectés deviennent omniprésents, la détection des intrusions dans les réseaux devient plus critique que jamais. Nous proposons une étude sur la détection d'intrusions réseau à base d'apprentissage automatique dans le domaine de l'automobile et de l'éducation, deux champs a priori très différents mais ayant en commun la notion d'objet connecté. Les voitures connectées comme les dispositifs numériques pour l'éducation tels qu'un mur d'écrans sont des objets connectés, des victimes potentielles pouvant soit mettre danger la vie des passagers, soit afficher du contenu inapproprié. Face à ces menaces, nous proposons l'étude de détection d'intrusions réseau basée sur les conversations et amenons trois contributions. Tout d'abord, nous montrons que les réseaux de neurones obtiennent des performances de détection similaires à celles des algorithmes classiques. Nous proposons ensuite une méthodologie de fiabilisation de corpus numériques de détection d'intrusions permettant de simplifier le modèle de détection sans diminution de performance. Enfin, une étude du système complet de détection dans les objets connectés met en évidence l'existence d'un goulet d'étranglement. Grâce à une proposition sur la recherche efficace de conversations en cours, nous le supprimons et démontrons ainsi que la détection d'intrusion sur les objets connectés est réalisable, même quand ils sont contraints en ressources.As connected objects become ubiquitous, network intrusion detection becomes more critical than ever. We propose a study on network intrusion detection based on machine learning in the automotive and education domains, two very different fields but having in common the notion of connected object. Both connected cars and digital devices for education, such as a screen wall, are connected objects, potential victims that can either endanger the lives of passengers or display inappropriate content. To address these threats, we propose the study of flow-based network intrusion detection and make three contributions. First, we show that neural networks achieve detection performances similar to those of classical algorithms. Second, we propose a methodology for the reliability of network intrusion detection dataset that allows the simplification of the detection model without any decrease in performance. Finally, a study of the complete detection system in connected objects highlights the existence of a bottleneck. Thanks to a proposal on the efficient search of ongoing flows, we remove this bottleneck and thus demonstrate that intrusion detection on connected objects is feasible, even when they are resource constrained