Un modèle hybride d'autoencodeur et d'unité récurrente à portes optimisé par l'algorithme Honey Badger pour une détection améliorée des menaces cybernétiques dans les réseaux IoT

RÉSUMÉ L'adoption généralisée des dispositifs d'Internet des Objets (IoT) a introduit d'importants défis en matière de sécurité, avec des menaces cybernétiques devenant de plus en plus sophistiquées. Cet article propose une approche novatrice combinant un autoencodeur (AE) avec une unité récurrente à portes (GRU), davantage optimisée par l'algorithme Honey Badger (HBA) pour une meilleure détection des menaces cybernétiques dans les environnements IoT. L'AE, une technique d'apprentissage non supervisé, est utilisée pour réduire la dimensionnalité des données tout en conservant les caractéristiques essentielles, ce qui le rend efficace pour identifier les anomalies liées aux menaces cybernétiques. Le GRU est employé pour détecter des schémas complexes au sein des données et reconnaître divers types d'attaques. Le HBA optimise les paramètres du GRU, améliorant ainsi ses performances dans la détection des menaces. Le modèle proposé AE-GRU-HBA est testé sur le jeu de données CSE-CIC-IDS2018, qui contient diverses menaces cybernétiques. Les résultats indiquent que le modèle AE-GRU surpasse significativement les techniques traditionnelles de détection d'anomalies, offrant une précision supérieure, une détection plus rapide et une meilleure évolutivité. Cette recherche fournit une solution robuste, évolutive et fiable pour sécuriser les réseaux IoT, assurant une défense efficace contre les menaces cybernétiques en évolution. Les résultats expérimentaux sur le jeu de données CSE–CIC–IDS2018 montrent que le modèle atteint une précision de 98,5 %, une précision de 98,1 %, un rappel de 97,9 % et un score AUC de 98,8 %, surpassant les méthodes IDS conventionnelles basées sur l'apprentissage profond.