Titre :	Securing IoT networks using Machine Learning
Type de document :	document électronique
Auteurs :	Akram Abdelghafour Bouguetaia ; Achraf Ramouane Seggane, Auteur ; Chirihane Gherbi, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2025
Importance :	1 vol (67 f .)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Internet of Things (IoT) Intrusion Detection System (IDS) Convolutional Neural Network (CNN) Machine Learning Random Forest (RF) Node-RED
Index. décimale :	004 Informatique
Résumé :	The Internet of Things (IoT) network represents a dynamic yet vulnerable environment, exposed to numerous cybersecurity threats. This thesis proposes an effective solution for intrusion detection in IoT using machine learning techniques. Two supervised models, Random Forest (RF) and Convolutional Neural Network (CNN), are developed and evaluated using the UNSW-NB15 dataset from the Kaggle platform. Experimental results show that the RF model offers better accuracy (98tion time, making it suitable for real-time applications. On the other hand, the CNN model provides good performance (95RF model is then integrated into a simulated IoT environment via Node-RED, with real-time alerts delivered through a WhatsApp bot. This architecture demonstrates the feasibility of an intelligent, lightweight, and effective intrusion detection system for protecting connected devices.
Note de contenu :	Sommaire Abstract i R´esum´e ii Table of contents ix List of figures xi List of tables 1 Introduction 2 1 State of the art 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 Internet of Things (IoT) . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 IoT Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.2 IoT Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.3 IoT Components . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.4 IoT Applications . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2.5 IoT Characteristics . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2.6 IoT challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3 Security in IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.1 Threats and Vulnerabilities in IoT . . . . . . . . . . . . . . . . . 11 1.3.2 Secure communication protocols in IoT . . . . . . . . . . . . . . 12 1.3.3 Security Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2 Related Review 16 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.2 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . 17 2.3 Mitigating attacks using Machine Learning . . . . . . . . . . . . . . . 19 2.3.1 Machine Learning Techniques for IoT Security . . . . . . . . . . 19 2.3.2 Challenges of Machine Learning in IoT . . . . . . . . . . . . . . 21 2.4 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4.1 Using ML algorithms to enhance IoT system security . . . . . . 22 2.4.2 Enhancing intrusion detection in IoT networks using ML-based feature selection and ensemble models . . . . . . . . . . . . . . 25 2.4.3 Hybrid Machine Learning Model for Efficient Botnet Attack Detection in IoT Environment . . . . . . . . . . . . . . . . . . . . 29 2.4.4 Cyberattack detection in WSN’s using a hybrid feature reduction technique with AI and ML methods . . . . . . . . . . . . . . . . 35 2.4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3 Contribution 42 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.2 Problematic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.3 Intrusion Detection System in IoT using Machine Learning . . . . . . . 43 3.3.1 DataSet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.3.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.3.3 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . 47 3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4 Implementation and Results 52 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.2 Programming Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.3 Programming Language . . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.4 Performance and Results . . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.4.1 Random Forest Result . . . . . . . . . . . . . . . . . . . . . . . 54 4.4.2 Convolutional Neural Network Result . . . . . . . . . . . . . . . 56 4.5 Results Comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.6 Implementing The IDS Model in a Practical Environment . . . . . . . . 57 4.6.1 Script for Real-Time IoT Intrusion Detection System . . . . . . 58 4.6.2 Simulation for the IoT Intrusion Detection System . . . . . . . . 58 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 Conclusion 62 Bibliography 64
Côte titre :	MAI/1047

Securing IoT networks using Machine Learning [document électronique] / Akram Abdelghafour Bouguetaia ; Achraf Ramouane Seggane, Auteur ; Chirihane Gherbi, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (67 f .) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Internet of Things (IoT) Intrusion Detection System (IDS) Convolutional Neural Network (CNN) Machine Learning Random Forest (RF) Node-RED
Index. décimale :	004 Informatique
Résumé :	The Internet of Things (IoT) network represents a dynamic yet vulnerable environment, exposed to numerous cybersecurity threats. This thesis proposes an effective solution for intrusion detection in IoT using machine learning techniques. Two supervised models, Random Forest (RF) and Convolutional Neural Network (CNN), are developed and evaluated using the UNSW-NB15 dataset from the Kaggle platform. Experimental results show that the RF model offers better accuracy (98tion time, making it suitable for real-time applications. On the other hand, the CNN model provides good performance (95RF model is then integrated into a simulated IoT environment via Node-RED, with real-time alerts delivered through a WhatsApp bot. This architecture demonstrates the feasibility of an intelligent, lightweight, and effective intrusion detection system for protecting connected devices.
Note de contenu :	Sommaire Abstract i R´esum´e ii Table of contents ix List of figures xi List of tables 1 Introduction 2 1 State of the art 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 Internet of Things (IoT) . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 IoT Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.2 IoT Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.3 IoT Components . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.4 IoT Applications . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2.5 IoT Characteristics . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2.6 IoT challenges . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3 Security in IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.1 Threats and Vulnerabilities in IoT . . . . . . . . . . . . . . . . . 11 1.3.2 Secure communication protocols in IoT . . . . . . . . . . . . . . 12 1.3.3 Security Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2 Related Review 16 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.2 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . 17 2.3 Mitigating attacks using Machine Learning . . . . . . . . . . . . . . . 19 2.3.1 Machine Learning Techniques for IoT Security . . . . . . . . . . 19 2.3.2 Challenges of Machine Learning in IoT . . . . . . . . . . . . . . 21 2.4 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4.1 Using ML algorithms to enhance IoT system security . . . . . . 22 2.4.2 Enhancing intrusion detection in IoT networks using ML-based feature selection and ensemble models . . . . . . . . . . . . . . 25 2.4.3 Hybrid Machine Learning Model for Efficient Botnet Attack Detection in IoT Environment . . . . . . . . . . . . . . . . . . . . 29 2.4.4 Cyberattack detection in WSN’s using a hybrid feature reduction technique with AI and ML methods . . . . . . . . . . . . . . . . 35 2.4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3 Contribution 42 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.2 Problematic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.3 Intrusion Detection System in IoT using Machine Learning . . . . . . . 43 3.3.1 DataSet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.3.2 Data Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.3.3 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . 47 3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4 Implementation and Results 52 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.2 Programming Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.3 Programming Language . . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.4 Performance and Results . . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.4.1 Random Forest Result . . . . . . . . . . . . . . . . . . . . . . . 54 4.4.2 Convolutional Neural Network Result . . . . . . . . . . . . . . . 56 4.5 Results Comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.6 Implementing The IDS Model in a Practical Environment . . . . . . . . 57 4.6.1 Script for Real-Time IoT Intrusion Detection System . . . . . . 58 4.6.2 Simulation for the IoT Intrusion Detection System . . . . . . . . 58 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 Conclusion 62 Bibliography 64
Côte titre :	MAI/1047