Collaborative Anomaly-based Intrusion Detection Systems in Lightweight IoT
Systèmes Collaboratifs de Détection d'Intrusion basés sur les Anomalies dans l'Internet des Objets
Résumé
Lightweight Internet-of-Things (IoT) devices are susceptible to network attacks due to their operation in hostile environments and limited resources, which pose challenges for hosting sophisticated defenses. This thesis focuses on developing an Intrusion Detection System (IDS) that is specifically designed for lightweight IoT's constrained resources. Initially, a cluster-based sampling algorithm was leveraged to optimize performance for extremely low sampling ratios. This algorithm was then utilized to construct a cross-layer solution, enabling the IDS model to be trained using the clustered data. The model parameters are shared with a centralized aggregator, which leverages them to train a consolidated model, and subsequently shares the results with the individual IDS nodes. This federated cross-layer solution exhibits high efficiency, performance, and privacy. Furthermore, ensemble learning was employed to extend the federated cross-layer solution, leveraging both supervised and unsupervised IDS models collocated within the IoT devices. The benefits of this research are multifold. Firstly, it contributes to the body of knowledge in sampling by proposing a cluster based sampling algorithm that can be applied beyond IDS to any field requiring very low sampling ratios. Secondly, the clustered data at the sampling layer provide processed grouping, eliminating the need for additional clustering in the IDS model. Lastly, ensemble learning enables the deployment of heterogeneous lightweight IoT nodes, each equipped with their proprietary IDS model, while collaboratively learning using a common federated IDS model.
Les dispositifs Internet des Objets (IoT) légers sont vulnérables aux attaques réseau en raison de leur fonctionnement dans des environnements hostiles et de leurs ressources limitées, posant ainsi des défis pour héberger des défenses sophistiquées. Cette thèse se concentre sur le développement d'un Système de Détection d'Intrusion (IDS) spécialement conçu pour les ressources limitées de l'IoT léger. Initialement, un algorithme d'échantillonnage basé sur des clusters a été utilisé pour optimiser les performances pour des ratios d'échantillonnage extrêmement bas. Cet algorithme a ensuite été utilisé pour construire une solution inter-couches, permettant au modèle IDS d'être formé à l'aide des données regroupées. Les paramètres du modèle sont partagés avec un agrégateur centralisé, qui les utilise pour former un modèle consolidé, puis partage les résultats avec les nœuds IDS individuels. Cette solution inter-couches fédérée présente une haute efficacité, performance et confidentialité. De plus, l'apprentissage ensembliste a été employé pour étendre la solution inter-couches fédérée, en utilisant à la fois des modèles IDS supervisés et non supervisés situés au sein des dispositifs IoT. Les avantages de cette recherche sont multiples. Premièrement, elle contribue au corpus de connaissances en échantillonnage en proposant un algorithme d'échantillonnage basé sur des clusters qui peut être appliqué au-delà de l'IDS à tout domaine nécessitant des ratios d'échantillonnage très bas. Deuxièmement, les données groupées à la couche d'échantillonnage fournissent un regroupement traité, éliminant le besoin d'un regroupement supplémentaire dans le modèle IDS. Enfin, l'apprentissage ensembliste permet le déploiement de nœuds IoT légers hétérogènes, chacun équipé de son propre modèle IDS, tout en apprenant de manière collaborative à l'aide d'un modèle IDS fédéré commun.
Domaines
Web| Origine | Version validée par le jury (STAR) |
|---|