Détection d’attaque dans le réseau IOT Sigfox et LORAWAN en se basant sur le Deep Learning

Abstract

This thesis provides a comprehensive review and synthesis of the state of the art in detecting attacks on IoT networks. The work examines existing research, identifying key approaches that leverage Deep Learning models for enhancing IoT security. Special attention is given to various datasets, methodologies, and Deep learning techniques, including Generative Adversarial Networks (GANs) and recurrent neural networks (RNNs), and other models used in the detection and classification of attacks. Through this review, we highlight both the current achievements and the limitations, offering insights into future research directions in IoT attack detection. ***

Ce mémoire fournit une revue et une synthèse complète sur les travaux existants et l'état de l'art en matière de détection d'attaques sur les réseaux IoT. Le travail examine les recherches existantes, identifiant les approches clés qui exploitent les modèles de Deep Learning pour améliorer la sécurité de l'IoT. Une attention particulière est accordée à divers ensembles de données, méthodologies et techniques de Deep Learning, notamment les réseaux antagonistes génératifs (GAN) et les réseaux neuronaux récurrents (RNN), ainsi qu'à d'autres modèles utilisés dans la détection et la classification des attaques. Grâce à cette revue, nous mettons en évidence à la fois les réalisations actuelles et les limites, offrant un aperçu des futures orientations de recherche en matière de détection des attaques IoT.