Titre :	Federated Learning-Based Intrusion Detection System for Enhancing Internet of Things Security
Type de document :	document électronique
Auteurs :	Lina Bouharizi ; Maria Rahma Messaoudi, Auteur ; Sarra Cherbal, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2025
Importance :	1 vol (f .)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Federated Learning Intrusion Detection System Internet of Things Stacking Ensemble , Artificial Neural Network Random Forest Logistic Regression CICIoT2023
Index. décimale :	004 Informatique
Résumé :	The widespread deployment of Internet of Things (IoT) devices has increased the surface area for cyberattacks, making effective intrusion detection a growing necessity. While Machine Learning (ML) and Deep Learning (DL) techniques have improved Intrusion Detection Systems (IDS), traditional centralized approaches often compromise data privacy by requiring raw data transmission to a central server. Federated Learning (FL) offers a privacy-preserving alternative by enabling decentralized model training without exposing raw data. In this work, we implement a federated stacking ensemble Intrusion Detection System (FedStack-IDS), combining an Artificial Neural Network (ANN) and Random Forest (RF) as base learners, with a Logistic Regression (LR) model as the metaclassifier. The approach is evaluated using the CICIoT2023 dataset in both centralized and decentralized settings. FedStack-IDS achieved an accuracy of 87.45% and a macro F1-score of 88%, outperforming existing FL-based IDS solutions, while also maintaining strong detection on rare attack classes. Moreover, communication overhead was reduced by 75% through quantization, confirming the system’s effectiveness for accurate, efficient, and privacy-preserving intrusion detection in IoT environments.
Note de contenu :	Sommaire List of Abbreviations 1 General Introduction 4 I Background and Foundations 7 1 Evolution, Architecture, and Challenges of IoT 8 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2 IoT Evolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 IoT Architecture and Layers . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.1 Perception Layer . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.2 Network Layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3.3 Application Layer . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4 Applications of IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.5 Benefits of IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.6 IoT Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7 IoT Security . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7.1 Taxonomy of IoT Attacks . . . . . . . . . . . . . . . . . . . . . . 14 1.7.1.1 Physical Attacks . . . . . . . . . . . . . . . . . . . . . . 14 1.7.1.2 Network Attacks . . . . . . . . . . . . . . . . . . . . . . 15 1.7.1.3 Software Attacks . . . . . . . . . . . . . . . . . . . . . . 16 1.7.1.4 Encryption Attacks . . . . . . . . . . . . . . . . . . . . . 16 1.7.2 Security Challenges in IoT . . . . . . . . . . . . . . . . . . . . . . 16 1.7.3 Security Solutions for IoT Challenges . . . . . . . . . . . . . . . . 17 1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2 Intrusion Detection in IoT and the Emergence of Federated Learning 18 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2 Intrusion Detection System (IDS) . . . . . . . . . . . . . . . . . . . . . . 18 2.2.1 Definition of IDS . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.2 IDS Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.3 IDS Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.3.1 IDS Based on Detection Methods . . . . . . . . . . . . . 21 2.2.3.2 IDS Based on Network Structure/Placement Strategies . 22 2.2.3.3 IDS Based on Data Source/Architecture . . . . . . . . . 22 2.2.3.4 IDS Based on AI Techniques . . . . . . . . . . . . . . . 23 2.2.4 Benefits of IDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.2.5 Challenges of Centralized IDS in IoT Environments . . . . . . . . 24 2.2.6 Rationale for Decentralized Approaches . . . . . . . . . . . . . . . 24 2.3 Federated Learning (FL) . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.1 Definition of FL . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.2 FL Components . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.2.1 Central Server . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.2.2 Clients . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.2.3 Model Aggregation . . . . . . . . . . . . . . . . . . . . . 26 2.3.2.4 Communication Rounds . . . . . . . . . . . . . . . . . . 27 2.3.3 Categorization of FL . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.3.3.1 Horizontal FL . . . . . . . . . . . . . . . . . . . . . . . . 27 2.3.3.2 Vertical FL . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.3.4 FL Advantages . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.3.5 FL Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.4 Related Work on FL-Based IDS . . . . . . . . . . . . . . . . . . . . . . . 30 2.4.1 Recent Researches . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.4.2 Comparing Recent Researches . . . . . . . . . . . . . . . . . . . . 31 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 II Contribution and Experiments 34 3 Conceptual Overview, Dataset, and Metrics 35 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2 Description of ML Models . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2.1 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . 35 3.2.2 Random forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.2.3 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.3 Stacking Ensemble Model . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.4 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.5 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4 Implementation, Experimental Results, and Discussion 43 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 4.2 Implementation Environment . . . . . . . . . . . . . . . . . . . . . . . . 43 4.3 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.4 Proposed Model Implementation . . . . . . . . . . . . . . . . . . . . . . . 46 4.4.1 Centralized Model Implementation . . . . . . . . . . . . . . . . . 46 4.4.2 FedStack-IDS Implementation . . . . . . . . . . . . . . . . . . . . 48 4.4.2.1 Dataset Distribution Across Clients . . . . . . . . . . . . 48 4.4.2.2 Federated Aggregation with FedAvg . . . . . . . . . . . 48 4.4.2.3 Communication Optimization with Quantization . . . . 49 4.4.2.4 FedStack-IDS Architecture . . . . . . . . . . . . . . . . . 49 4.5 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.5.1 Centralized Model Results . . . . . . . . . . . . . . . . . . . . . . 51 4.5.2 FedStack-IDS Results . . . . . . . . . . . . . . . . . . . . . . . . . 55 4.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 General Conclusion 59 A CICIoT2023 Dataset Descriptions 61 A.1 CICIoT2023 Attack Descriptions . . . . . . . . . . . . . . . . . . . . . . 61 A.2 CICIoT2023 Feature Descriptions . . . . . . . . . . . . . . . . . . . . . . 64 Bibliography 70
Côte titre :	MAI/1002

Federated Learning-Based Intrusion Detection System for Enhancing Internet of Things Security [document électronique] / Lina Bouharizi ; Maria Rahma Messaoudi, Auteur ; Sarra Cherbal, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (f .) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Federated Learning Intrusion Detection System Internet of Things Stacking Ensemble , Artificial Neural Network Random Forest Logistic Regression CICIoT2023
Index. décimale :	004 Informatique
Résumé :	The widespread deployment of Internet of Things (IoT) devices has increased the surface area for cyberattacks, making effective intrusion detection a growing necessity. While Machine Learning (ML) and Deep Learning (DL) techniques have improved Intrusion Detection Systems (IDS), traditional centralized approaches often compromise data privacy by requiring raw data transmission to a central server. Federated Learning (FL) offers a privacy-preserving alternative by enabling decentralized model training without exposing raw data. In this work, we implement a federated stacking ensemble Intrusion Detection System (FedStack-IDS), combining an Artificial Neural Network (ANN) and Random Forest (RF) as base learners, with a Logistic Regression (LR) model as the metaclassifier. The approach is evaluated using the CICIoT2023 dataset in both centralized and decentralized settings. FedStack-IDS achieved an accuracy of 87.45% and a macro F1-score of 88%, outperforming existing FL-based IDS solutions, while also maintaining strong detection on rare attack classes. Moreover, communication overhead was reduced by 75% through quantization, confirming the system’s effectiveness for accurate, efficient, and privacy-preserving intrusion detection in IoT environments.
Note de contenu :	Sommaire List of Abbreviations 1 General Introduction 4 I Background and Foundations 7 1 Evolution, Architecture, and Challenges of IoT 8 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2 IoT Evolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 IoT Architecture and Layers . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.1 Perception Layer . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.2 Network Layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3.3 Application Layer . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4 Applications of IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.5 Benefits of IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.6 IoT Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7 IoT Security . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7.1 Taxonomy of IoT Attacks . . . . . . . . . . . . . . . . . . . . . . 14 1.7.1.1 Physical Attacks . . . . . . . . . . . . . . . . . . . . . . 14 1.7.1.2 Network Attacks . . . . . . . . . . . . . . . . . . . . . . 15 1.7.1.3 Software Attacks . . . . . . . . . . . . . . . . . . . . . . 16 1.7.1.4 Encryption Attacks . . . . . . . . . . . . . . . . . . . . . 16 1.7.2 Security Challenges in IoT . . . . . . . . . . . . . . . . . . . . . . 16 1.7.3 Security Solutions for IoT Challenges . . . . . . . . . . . . . . . . 17 1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2 Intrusion Detection in IoT and the Emergence of Federated Learning 18 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2 Intrusion Detection System (IDS) . . . . . . . . . . . . . . . . . . . . . . 18 2.2.1 Definition of IDS . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.2 IDS Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.3 IDS Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.3.1 IDS Based on Detection Methods . . . . . . . . . . . . . 21 2.2.3.2 IDS Based on Network Structure/Placement Strategies . 22 2.2.3.3 IDS Based on Data Source/Architecture . . . . . . . . . 22 2.2.3.4 IDS Based on AI Techniques . . . . . . . . . . . . . . . 23 2.2.4 Benefits of IDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.2.5 Challenges of Centralized IDS in IoT Environments . . . . . . . . 24 2.2.6 Rationale for Decentralized Approaches . . . . . . . . . . . . . . . 24 2.3 Federated Learning (FL) . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.1 Definition of FL . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.2 FL Components . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.2.1 Central Server . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.2.2 Clients . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.3.2.3 Model Aggregation . . . . . . . . . . . . . . . . . . . . . 26 2.3.2.4 Communication Rounds . . . . . . . . . . . . . . . . . . 27 2.3.3 Categorization of FL . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.3.3.1 Horizontal FL . . . . . . . . . . . . . . . . . . . . . . . . 27 2.3.3.2 Vertical FL . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.3.4 FL Advantages . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.3.5 FL Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.4 Related Work on FL-Based IDS . . . . . . . . . . . . . . . . . . . . . . . 30 2.4.1 Recent Researches . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.4.2 Comparing Recent Researches . . . . . . . . . . . . . . . . . . . . 31 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 II Contribution and Experiments 34 3 Conceptual Overview, Dataset, and Metrics 35 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2 Description of ML Models . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2.1 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . 35 3.2.2 Random forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.2.3 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.3 Stacking Ensemble Model . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.4 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.5 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4 Implementation, Experimental Results, and Discussion 43 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 4.2 Implementation Environment . . . . . . . . . . . . . . . . . . . . . . . . 43 4.3 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.4 Proposed Model Implementation . . . . . . . . . . . . . . . . . . . . . . . 46 4.4.1 Centralized Model Implementation . . . . . . . . . . . . . . . . . 46 4.4.2 FedStack-IDS Implementation . . . . . . . . . . . . . . . . . . . . 48 4.4.2.1 Dataset Distribution Across Clients . . . . . . . . . . . . 48 4.4.2.2 Federated Aggregation with FedAvg . . . . . . . . . . . 48 4.4.2.3 Communication Optimization with Quantization . . . . 49 4.4.2.4 FedStack-IDS Architecture . . . . . . . . . . . . . . . . . 49 4.5 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.5.1 Centralized Model Results . . . . . . . . . . . . . . . . . . . . . . 51 4.5.2 FedStack-IDS Results . . . . . . . . . . . . . . . . . . . . . . . . . 55 4.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 General Conclusion 59 A CICIoT2023 Dataset Descriptions 61 A.1 CICIoT2023 Attack Descriptions . . . . . . . . . . . . . . . . . . . . . . 61 A.2 CICIoT2023 Feature Descriptions . . . . . . . . . . . . . . . . . . . . . . 64 Bibliography 70
Côte titre :	MAI/1002