Méthode de détection d'anomalies dans les réseaux de capteurs sans fil basée sur les séries temporelles

Abstract

Au cours des dernières années, l'utilisation des réseaux de capteurs sans fil (RCSF) s'est répandue et a suscité un intérêt croissant dans la communauté scientifique et industrielle. Cependant, ces réseaux sont confrontés à de nombreux défis en termes de sécurité. Les RCSF opèrent souvent dans des environnements non surveillés, ce qui les rend vulnérables à diverses attaques. La détection d'anomalies dans les RCSF revêt une importance capitale pour garantir leur bon fonctionnement et leur intégrité. Les chercheurs ont donc cherché à mettre en place des solutions de sécurité efficaces pour protéger ces réseaux. Dans cette étude, nous nous sommes concentrés sur la détection d'attaques par déni de service (DoS) dans les RCSF en utilisant des séries temporelles et des algorithmes d'apprentissage automatique. Pour ce faire, nous avons utilisé la bibliothèque PyCaret qui intègre des fonctionnalités avancées pour la détection d'anomalies, nous avons utilisé un ensemble de données spécialement conçu pour la détection d'attaques DoS dans les RCSF, appelé WSN-DS (Wireless Sensor Network Détection System). Cet ensemble de données comprend différentes attaques telles que Blackhole, Grayhole, Flooding et TDMA. En utilisant PyCaret, nous avons appliqué des algorithmes tels que l'IForest isolation, les K-plus proches voisins et le Local Outlier Factor pour identifier les comportements anormaux dans les séries temporelles générées par les capteurs. Les résultats de notre étude peuvent être présentés sous forme de graphes de séries temporelles, permettant une visualisation claire des anomalies détectées. Ces résultats démontrent que la combinaison entre les séries temporelles et les algorithmes d’apprentissage automatiques peut être plus efficace dans le domaine de la détection d'anomalies dans les RCSF.