Intrusion Detection System based on Deep learning and Complex event processing for IoT environments

Abstract

The rapid expansion of the Internet of Things (IoT) and Industrial IoT (IIoT) ecosystems presents significant security challenges, particularly in safeguarding these networks from cyber threats. This thesis explores the use of Artificial Intelligence (AI) in enhancing Intrusion Detection Systems (IDS) for IoT environments. Specifically, the research investigates the application of advanced AI techniques, such as deep learning and Complex Event Processing (CEP), to improve the detection of network intrusions. Through an extensive literature review, this thesis highlights the potential of hybrid AI models, including Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU), in capturing complex patterns in network traffic. Furthermore, the integration of CEP offers real-time detection and response capabilities. The study concludes with a discussion of the challenges, opportunities, and future research directions for AI-based IDS in IoT security, focusing on emerging techniques like federated learning and adaptive IDS models. ***

L’expansion rapide des écosystèmes de l’Internet des objets (IoT) et de l’IoT industriel (IIoT) présente d’importants défis de sécurité, notamment dans la protection de ces réseaux contre les cybermenaces. Cette thèse explore l’utilisation de l’intelligence artificielle (IA) pour améliorer les systèmes de détection d’intrusion (IDS) dans les environnements IoT. En particulier, la recherche examine l’application de techniques avancées d’IA, telles que l’apprentissage profond et le traitement d’événements complexes (CEP), pour améliorer la détection des intrusions réseau. À travers une revue de littérature approfondie, cette thèse met en lumière le potentiel des modèles hybrides d’IA, y compris les réseaux neuronaux convolutifs (CNN), les mémoires à long terme (LSTM) et les unités récurrentes à portes (GRU), dans la capture de modèles complexes dans le trafic réseau. De plus, l’intégration du CEP offre des capacités de détection et de réponse en temps réel. L’étude conclut par une discussion des défis, opportunités et pistes de recherche future pour les IDS basés sur l’IA dans la sécurité IoT, avec un accent particulier sur des techniques émergentes telles que l’apprentissage fédéré et les modèles IDS adaptatifs.