Detection of Cyber Attacks in Iot systems

Abstract

Abstract : In order to meet the pressing need for effective security solutions, this research examines the conŕuence of computer security, automatic learning (ML), deep learning (DL), and IoT systems. The study deepened fundamental computer security principles and revealed the signiőcance, dangers, and various forms of cyberthreats. She gives a comprehensive overview of the areas of automatic and deep learning while highlighting the different learning styles and model-building processes. She also looks at IoT systems, their architectures, communication protocols, and associated risks, as well as the signiőcance of automatic learning in IoT cybersecurity. The study is supported by őve approaches that were developed using various characteristic selection techniques and contrasted in terms of their performances, precision, score F1, speed, etc. With the right ML and DL approaches, this research offers invaluable perspectives for enhancing the security of IoT systems. In contrast to solutions that rely solely on machine learning or deep learning, we propose a hybrid solution that combines the strengths of two models: decision trees and LSTM whitch gives a good results. this solution applied on a dataset of mqtt protocols .***

Résumé : Cette étude examine comment la Cyber security, l’apprentissage automatique (ML), l’apprentissage profond (DL) et les systèmes IoT peuvent être combinés pour répondre à la demande urgente de solutions de sécurité efőcaces. Les concepts fondamentaux de la sécurité informatique sont abordés dans la recherche, qui met en évidence l’importance, les menaces et les différents types de cybermenaces. En mettant l’accent sur les types d’apprentissage et les étapes de construction des modèles, elle présente une vue d’ensemble des domaines de l’apprentissage automatique et de l’apprentissage profond. Elle examine également les systèmes IoT, leurs architectures, les protocoles de communication et les risques associés, ainsi que l’importance de l’apprentissage automatique dans la cybersécurité IoT. Cinq approches développées à l’aide de différentes méthodes de sélection de caractéristiques, comparées en termes de performances, de précision, de score F1, de temps et d’autres facteurs, soutiennent l’étude. En choisissant les méthodes ML et DL appropriées, cette recherche offre des perspectives utiles pour renforcer la sécurité des systèmes IoT. Contrairement aux solutions qui reposent uniquement sur le machine learning ou le deep learning, nous proposons une solution hybride qui combine les points forts de deux modèles : les arbres de décision et le LSTM qui donne de bons résultats. cette solution appliquée sur un jeu de données de protocoles mqtt.