Détection de botnets basée sur une classification Random Forest dans IoT.

Abstract

Avec l'expansion rapide de l'Internet des Objets (IoT), les réseaux modernes sont de plus en plus exposés à des menaces sophistiquées, notamment sous la forme de botnets. Ces réseaux de dispositifs compromis sont capables de mener des attaques massives et souvent indétectables, en exploitant la faible sécurité de nombreux objets connectés. La détection efficace de ces botnets dans des environnements complexes, où le trafic est hétérogène et évolutif, représente aujourd'hui un défi majeur. Ce mémoire propose une approche hybride, baptisée KRAST, combinant des techniques d'apprentissage non supervisé (autoencodeur + clustering K-Means) avec des méthodes supervisées (Random Forest, XGBoost) intégrées dans une architecture de stacking. Après une revue critique des approches existantes, l'architecture KRAST a été testée sur le dataset CTU-13, reconnu pour sa complexité. Les résultats démontrent des performances robustes, avec une bonne capacité de généralisation face à des attaques connues et inconnues, et un bon équilibre entre précision, vitesse et adaptabilité. Ce travail ouvre des perspectives pour le développement de solutions plus efficaces de détection de botnets, adaptées aux spécificités des réseaux IoT modernes. L'approche proposée pourrait être enrichie par des optimisations en temps réel et par l'intégration de techniques plus avancées de deep Learning.