Communication Dans Un Congrès Année : 2025

Leveraging Graph Neural Networks for Attack Detection in IoT Systems

Exploiter les réseaux neuronaux graphiques pour la détection des attaques dans les systèmes IoT

Résumé

The increasing interconnectivity of Internet-of-Things (IoT) has exposed them to diverse cyber threats and adversarial attacks, distributed denial-of-service (DDoS) attacks, spoong and man-in-the-middle intrusions, malware injections, ransomware, and adversarial machine learning exploits. To detect these attacks, this research leverages Graph Neural Networks (GNNs) for intrusion detection and attack analysis by exploiting the graph's intrinsic structure of communication networks and sessions. We propose advanced GNN-based models that extract highdimensional features from IoT networks and enable in-depth analysis of packets. By representing IoT networks as graphs, GNNs eectively capture the intricate interactions and dependencies among network components. The proposed models were trained on three distinct datasets, namely ToN-IoT, NF-BoT-IoT, and GraSecIoT, to perform detection tasks, including binary classication to dierentiate normal from malicious behavior and multi-class classication to identify one or more underlying attacks. The experimental results validate the eectiveness of graph neural networks in detecting malicious activities and categorizing attack types, thereby oering a robust solution for securing IoT environments.

L'interconnectivité croissante de l'Internet des objets (IoT) les expose à diverses cybermenaces et attaques malveillantes, telles que les attaques par déni de service distribué (DDoS), les intrusions de type « spoofing » et « man-in-the-middle », les injections de logiciels malveillants, les ransomwares et les exploits malveillants basés sur l'apprentissage automatique. Pour détecter ces attaques, cette recherche exploite les réseaux neuronaux graphiques (GNN) pour la détection des intrusions et l'analyse des attaques en exploitant la structure intrinsèque des réseaux de communication et des sessions du graphe. Nous proposons des modèles avancés basés sur les GNN qui extraient des caractéristiques à haute dimension des réseaux IoT et permettent une analyse approfondie des paquets. En représentant les réseaux IoT sous forme de graphes, les GNN capturent efficacement les interactions et les dépendances complexes entre les composants du réseau. Les modèles proposés ont été entraînés sur trois ensembles de données distincts, à savoir ToN-IoT, NF-BoT-IoT et GraSecIoT, afin d'effectuer des tâches de détection, notamment la classification binaire pour différencier les comportements normaux des comportements malveillants et la classification multi-classes pour identifier une ou plusieurs attaques sous-jacentes. Les résultats expérimentaux valident l'efficacité des réseaux neuronaux graphiques dans la détection des activités malveillantes et la catégorisation des types d'attaques, offrant ainsi une solution robuste pour sécuriser les environnements IoT.

Fichier principal
Vignette du fichier
Leveraging_Graph_Neural_Networks_for_Attack_Detection_in_IoT_Systems.pdf (868.88 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-05308797 , version 1 (10-10-2025)

Licence

Identifiants

Citer

Ramzi Rezki, Youakim Badr, Samia Bouzefrane, Fabrice Mourlin, Méziane Yacoub. Leveraging Graph Neural Networks for Attack Detection in IoT Systems. 20th International Conference on Availability, Reliability and Security (ARES 2025), UGent, Aug 2025, Gand, Belgium. pp.259-274, ⟨10.1007/978-3-032-00639-4_15⟩. ⟨hal-05308797⟩
203 Consultations
503 Téléchargements

Altmetric

Partager

  • More