Un Syst`eme de D´etection d’Intrusion bas´e sur l’Apprentissage Automatique dans les WBAN pour les Applications de Sant´

Abstract

Abstarct : Wireless Body Area Networks (WBANs) enable the collection and gathering of physiological data using sensors embedded in the human body, which are then transmitted to external devices for analysis and storage. While WBANs offer many advantages, such as real-time health monitoring and early detection of health issues, they also face security risks, particularly concerning privacy and wireless data interception. The information collected by WBANs is both sensitive and confidential, making it attractive to malicious individuals. Additionally, wearable medical devices used in WBANs have limited capabilities in terms of computing power, storage, and power, which exposes them to vulnerabilities in wireless communications. To ensure the integrity, confidentiality, and availability of data within WBANs, it is crucial to implement appropriate security measures. As part of our project, we have developed a supervised machine learningbased Intrusion Detection System (IDS), in which we have adopted an attribute selection approach by combining two methods: embedded methods (correlation) and filtering methods (Random Forest). This ML-based IDS has been designed to detect suspicious or malicious activities in WBANs, thereby contributing to preventing privacy breaches and security attacks. To carry out our experiments, we used NSL-KDD and UNSW-NB15 as the dataset.***

Résumé : Les r´eseaux corporels sans fil (WBAN) permettent de collecter et recueillir des donn´ees physiologiques `a l’aide de capteurs int´egr´es dans le corps humain, qui sont ensuite transmises `a des dispositifs externes pour analyse et stockage. Bien que les WBAN offrent de nombreux avantages, tels que la surveillance en temps r´eel de la sant´e et la d´etection pr´ecoce des probl`emes de sant´e, ils sont ´egalement confront´es `a des risques de s´ecurit´e, notamment en ce qui concerne la vie priv´ee et l’interception des donn´ees sans fil. Les informations recueillies par les WBAN sont `a la fois d´elicates et confidentielles, ce qui les rend attrayantes pour les individus malveillants. De plus, les dispositifs m´edicaux portables utilis´es dans les WBAN ont des capacit´es restreintes en termes de calcul, de stockage et d’alimentation, ce qui les expose `a des vuln´erabilit´es en lien avec les communications sans fil. Afin d’assurer l’int´egrit´e, la confidentialit´e et la disponibilit´e des donn´ees au sein des WBAN, il est crucial de mettre en oeuvre des mesures de s´ecurit´e appropri´ees. Dans le cadre de notre projet, nous avons ´elabor´e un syst`eme de d´etection d’intrusion (IDS) bas´e sur l’apprentissage automatique supervis´e, dans lequel, nous avons opt´e pour une approche de s´election des attributs en combinant deux m´ethodes : les m´ethodes de filtrage (la corr´elation) et les m´ethodes embarqu´ees (Random Forest).Cet IDS bas´e sur ML a ´et´e con¸cu pour d´etecter les activit´es suspectes ou malveillantes dans ces r´eseaux WBAN, contribuant ainsi `a pr´evenir les violations de la vie priv´ee et les attaques de s´ecurit´e. Pour mener `a bien nos exp´erimentations, nous avons utilis´e NSL-KDD et UNSW-NB15 comme jeu de donn´ees.