Abstract:
L’Internet des objets (IoT) représente l’une des révolutions numériques les plus importantes,
offrant de nombreuses opportunités en interconnectant tous les objets du quotidien. Cependant,
en raison de leur nature spécifique, ces objets sont plus vulnérables aux attaques des hackers.
Les botnets constituent l’une des plus grandes menaces actuelles pour Internet, grˆace `a leur
capacité`a mener des attaques distribuées par déeni de service (DDoS) `a tout moment. Ces attaques deviennent encore plus dévastatrices lorsqu’elles exploitent les capacités de calcul des
objets connect´es, qui se transforment ainsi en unit´es de traitement ph´enom´enales lorsqu’elles
sont combinées. Afin de faire face `a cette problématique, de nombreux travaux ont éte réalisés
pour anticiper la propagation des botnets dans le contexte de développement de l’IoT, et pour
proposer des solutions basées sur l’apprentissage automatique et l’apprentissage profond.
Notre mod`ele proposé aborde la problématique de sécurité liée aux menaces posées par les
bots. Diff´erents algorithmes d’apprentissage automatique tels que K plus proches voisins (KNN),
la machine `a vecteur de support (SVM), l’arbre de décision (DT), les forets al´eatoire (RFC),
le mod`ele de Bayes na¨ if, la régression logistique (LR), le mod`ele LDA et le réseau neuronal
artificiel `a perceptron multicouche (MLP ANN) ont été utilisés pour développer un mod`ele o`u
les données sont entraˆinées `a l’aide de l’ensemble de données BoT-IoT. Le meilleur algorithme
a été sélectionn´e en se basant sur un point de réféence établi en fonction du pourcentage de
l’accuracy et de la surface sous la courbe des caractéristiques de fonctionnement du récepteur
(ROC AUC). La technique de sur échantillonnage synthétique des minorités (SMOTE) a été
combinées avec les algorithmes d’apprentissage automatique (MLA). Enfin nous avons procédé
`a une évaluation des performances de ces mod`eles.
