Orateur
Description
L'expansion rapide de l'Internet des objets (IoT) a introduit de nouveaux défis en matière de cybersécurité, en particulier en ce qui concerne la détection et la classification des attaques. Cette étude analyse et évalue divers algorithmes d'apprentissage supervisé pour la classification des attaques IoT, notamment la régression logistique, les arbres de décision, les forêts aléatoires, les k-plus proches voisins (k-NN), les réseaux de neurones artificiels (ANN) et Naive Bayes. En utilisant le jeu de données CICIOT2023, qui simule un environnement IoT réaliste, la performance de ces algorithmes a été évaluée en fonction de l'exactitude, la précision, le rappel, le score F1, les matrices de confusion et les courbes ROC. Les résultats indiquent que les réseaux de neurones artificiels (ANN) et les forêts aléatoires surpassent les autres algorithmes, avec ANN atteignant la plus haute précision (0.9836) et le meilleur score F1 (0.6377), tandis que Naive Bayes a obtenu les résultats les plus faibles. Ces résultats soulignent l'importance de sélectionner des algorithmes appropriés pour une détection efficace des attaques IoT, mettant en avant les réseaux de neurones artificiels et les forêts aléatoires comme des choix supérieurs pour gérer les défis de sécurité de l'IoT.
