Machine-Learning_et_IoT

L'Internet des objets (IoT) se développe avec l'avancement de la technologie. De nombreux fournisseurs créent des appareils IoT pour tirer parti de la qualité de vie des consommateurs. Ces appareils comprennent les réseaux intelligents, les maisons intelligentes, les systèmes de soins de santé intelligents, les transports intelligents et de nombreuses autres applications d'appareils. Les appareils IoT interagissent avec l'environnement et entre eux à l'aide de capteurs et d'actionneurs. Cependant, la prolifération généralisée des appareils IoT pose de nombreuses menaces pour la cybersécurité. L'interconnexion des appareils IoT ouvre la porte aux attaquants qui tentent d'obtenir un accès non autorisé aux appareils. Pour de nombreux réseaux informatiques, établir la confiance et la sécurité pendant le fonctionnement normal des appareils est un défi. En outre, les appareils peuvent divulguer des informations vitales, ce qui est une préoccupation majeure en matière de cybersécurité. Des recherches antérieures ont montré que les failles de sécurité ont augmenté de 67% au cours des cinq dernières années et que 95% des serveurs HTTP sont vulnérables aux attaques Man in the Middle (MIM). Cet article explore le nouvel ensemble de données d'attaques du HCRL (Hacking and Countermeasure Research Lab) collecté à partir d'appareils réels de l'Internet des objets qui incorporaient des caméras intelligentes, des ordinateurs portables et des smartphones. Nous appliquons ensuite trois algorithmes d'apprentissage automatique qui incluent la forêt aléatoire, la régression logistique et l'arbre de décision pour évaluer les performances de notre modèle. Nos résultats montrent que la précision de détection globale est de 98 à 100%, ce qui est plus prometteur que le système de détection d'intrusion (IDS) traditionnel.