Federated Graph Neural Network for DDoS Detection in IoT Network

Abstract

The rapid expansion of Internet of Things (IoT) networks across critical infrastructure domains has created vast, heterogeneous, and distributed ecosystems that are increasingly vulnerable to sophisticated cyberattacks, particularly Distributed Denial of Service (DDoS) campaigns that exploit the scale and connectivity of IoT deployments to overwhelm network resources and disrupt essential services. Traditional Intrusion Detection Systems (IDS), whether centralized or signature-based, are structurally inadequate for IoT environments: they cannot scale to billions of distributed devices, fail to capture the graph-structural signatures of coordinated attacks, and require the centralization of sensitive traffic data that privacy regulations and operational constraints prohibit. This master’s thesis presents a structured bibliographic review of the evolution of intrusion detection systems for IoT networks, systematically surveying and critically analyzing the state of the art from classical signature-based and anomaly-based approaches, through machine learning and deep learning techniques, to the most recent graph neural network and federated learning frameworks. The review is organized along a clear architectural progression: from centralized graph-based IDS methods that leverage topological features such as centrality measures to enrich detection models, to privacy-preserving federated architectures that distribute model training across heterogeneous IoT clients without sharing raw traffic data. In addition to the bibliographic contribution, this thesis includes a reproduction and adaptation of a federated graph neural network framework for DDoS detection in IoT networks, serving as a practical validation of the concepts identified through the literature review. This work establishes a comprehensive analytical foundation for understanding the current landscape and open challenges of IDS in IoT, and identifies promising research directions at the intersection of graph-structural learning, federated privacy preservation, and real-time deployment in resource-constrained environments***

L’expansion rapide des réseaux de l’Internet des Objets (IoT) dans les domaines des infrastructures critiques a engendré des écosystèmes vastes, hétérogènes et distribués, de plus en plus exposés à des cyberattaques sophistiquées, notamment les attaques par Déni de Service Distribué (DDoS) qui exploitent l’échelle et la connectivité des déploiements IoT pour saturer les ressources réseau et perturber les services essentiels. Les Systèmes de Détection d’Intrusion (IDS) traditionnels, qu’ils soient centralisés ou basés sur des signatures, s’avèrent structurellement inadaptés aux environnements IoT : ils ne peuvent pas s’étendre à des milliards d’appareils distribués, échouent à capturer les signatures structurelles en graphe des attaques coordonnées, et imposent la centralisation de données de trafic sensibles que les réglementations sur la vie privée et les contraintes opérationnelles interdisent. Ce mémoire de master présente une revue bibliographique structurée de l’évolution des systèmes de détection d’intrusion pour les réseaux IoT, en analysant de manière systématique et critique l’état de l’art, depuis les approches classiques basées sur les signatures et les anomalies, en passant par les techniques d’apprentissage automatique et d’apprentissage profond, jusqu’aux cadres les plus récents fondés sur les réseaux de neurones en graphe et l’apprentissage fédéré. La revue est organisée selon une progression architecturale claire : des méthodes IDS centralisées basées sur les graphes, qui exploitent des caractéristiques topologiques telles que les mesures de centralité pour enrichir les modèles de détection, vers des architectures fédérées préservant la confidentialité, qui distribuent l’entraînement des modèles entre des clients IoT hétérogènes sans partage des données de trafic brutes. En complément de la contribution bibliographique, ce mémoire inclut une reproduction et une adaptation d’un cadre de réseau de neurones en graphe fédéré pour la détection des attaques DDoS dans les réseaux IoT, constituant une validation pratique des concepts identifiés lors de la revue de littérature. Ce travail établit une base analytique exhaustive pour comprendre le paysage actuel et les défis ouverts des IDS dans l’IoT, et identifie des pistes de recherche prometteuses à l’intersection de l’apprentissage structurel en graphe, de la préservation de la confidentialité par fédération, et du déploiement en temps réel dans des environnements à ressources limitées.