Veuillez utiliser cette adresse pour citer ce document : http://dspace.univ-tiaret.dz:80/handle/123456789/13463
Titre: Méthode de détection d'anomalies dans les réseaux de capteurs sans fil basée sur les séries temporelles
Auteur(s): REBAH, Haroune Rachid
RAHMANI, Nabil
Mots-clés: réseaux de capteurs sans fil,
bibliothèque PyCaret
séries temporelles
détection d’anomalies
Date de publication: jui-2023
Editeur: Université Ibn Khaldoun
Résumé: 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.
Description: In recent years, the use of wireless sensor networks (WSNs) has become widespread and has attracted increasing interest in the scientific and industrial community. However, these networks face many security challenges. RCSFs often operate in unmonitored environments, which makes them vulnerable to various attacks. The detection of anomalies and attacks in the RCSF is of paramount importance to guarantee their proper functioning and their integrity. Researchers have therefore sought to implement effective security solutions to protect these networks. In this study, we focused on the detection of Denial of Service (DoS) attacks in RCSF using time series and machine learning algorithms. To do this, we used the PyCaret library which integrates advanced features for anomaly detection, we used a dataset specially designed for the detection of DoS attacks in RCSFs, called WSN-DS (Wireless Sensor Network System Detection). This data set includes different attacks such as Blackhole, Grayhole, Flooding and TDMA. Using PyCaret, we applied algorithms such as IForest isolation, K-nearest neighbors, and Local Outlier Factor to identify anomalous behaviors in sensor-generated time series. The results of our study can be presented in the form of time series graphs, allowing a clear visualization of the anomalies detected. These results demonstrate that the combination between time series and machine learning algorithms can be more effective in the field of attack and anomaly detection in RCSF.
URI/URL: http://dspace.univ-tiaret.dz:80/handle/123456789/13463
Collection(s) :Master

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
TH.M.INF.2023.26.pdf3,74 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.