Anomaly-based Intrusion Detection System for IoT network using machine learning and deep learning techniques

Abstract

The InternetofThings(IoT)isasystemofinterconnectedobjectsthatenablesthecom- municationofhumanswithdifferentdevices.Ithasexpandedintoseveralareassuchas health, agriculture.However,thenatureoftheIoTarchitecturehascreatednewsecurity challenges,especiallyintheIoTnetworkwhichpresentsthelargestscaleofanIoTsystem. Anomaly-based intrusiondetectionsystems(IDSs)areaneffectivewaytopreventabnor- mal trafficintheIoTnetwork.ItisknownthattheIoTarchitectureisgettingmorecompli- cated daybyday,whichmakestraditionalmethodslikestatistical-basedorknowledge-based for anomalydetectionfacedifficultiesdetectingunknownattacksinreal-time.Therefore, machinelearninganddeeplearningtechniqueshowexcellentperformanceindetectingsmall anomalous dataovertime.Theseadvancedtechniquesgiveresilientmechanismstoprevent novelattacksduetoitshigh-levelofdiscoveringhiddenpatternsinthedata. The goalofthisworkistoprovideasetofresearchthatproposesanomaly-basedintrusion detection systemusingmachinelearninganddeeplearningtechniques.Wethenthoroughly discuss theadvantagesandtheshortcomingofeachapproach.Ourreportalsopresentsviaa summary tableacomparisonofthepresentedapproaches.Finally,ourconclusionandfuture workareidentified.***

L’internetdesobjets(IoT)estunsystèmed’objetsinterconnectésquipermetlacommu- nication deshumainsavecdifférentsappareils.Ilapus’étendreàplusieursdomainestels que lasanté,l’agriculture.Cependant,lanaturedel’architectureIotaacréédenouveaux défis desécurité,enparticulierlasécuritéduréseauIotquiprésentelaplusgrandeéchelle d’un systèmeIoT. Les systèmesdedétectiond’intrusion(IDS)àbased’anomaliessontunmoyenefficacede prévenirletraficanormaldansleréseauIot.Ilestconnuquel’architectureIoTsecomplique de jourenjour,cequirendlesméthodestraditionnellescommelesméthodesbaséessur les statistiqueoubaséessurlaconnaissancepourladétectiond’anomaliesconfrontentdes difficultés dedétectiond’attaquesinconnuesentempsréel.Parconséquent,l’apprentissage automatique etl’apprentissageprofondmontrentdesperformancesexcellentesdedétection de petitesanomaliesaufildutemps.Cestechniquesavancéesoffrentunmécanismerésilient pourempêcherdenouvellesattaquesgrâceàlagrandeaptitudededécouvertedepatterns cachésdanslesdonnées. L’objectifdecetravailestdefournirunensemblederecherchesquiontproposéunsys- tème dedétectiond’intrusionsàbased’anomaliesenutilisantdestechniquesd’apprentissage automatique etd’apprentissageprofond.Nousdiscutonsensuiteenprofondeurdesavantages et desinconvénientsdechaqueapproche.Notrerapportprésenteégalementviauntableau récapitulatif unecomparaisondesapprochesprésentées.Uneconclusionetnosfutureper- spectivessontidentifiées.