Résumé:
L'Internet industriel des objets (IIoT) a transformé les processus industriels en intégrant de
manière transparente un vaste réseau d'appareils interconnectés. Ces appareils intelligents, équipés de
capteurs et de capacités réseau, collectent et transmettent des données critiques, permettant une
surveillance et un contrôle à distance. Cependant, cette interconnectivité crée un écosystème complexe
vulnérable aux cyberattaques. Les attaques par déni de service distribué (DDoS), en particulier,
constituent une menace importante pour les systèmes IIoT, car elles peuvent paralyser les opérations en
les submergeant d'un flot de trafic malveillant. Les méthodes de sécurité traditionnelles sont souvent
confrontées à la nature évolutive et à la sophistication de ces attaques.
Ce travail propose une nouvelle approche pour améliorer la cybersécurité dans l'IIoT en se
concentrant sur le développement d'un système de détection DDoS robuste et efficace. En tirant parti du
pouvoir transformateur des techniques d'apprentissage profond, en particulier d'un modèle de réseau
neuronal convolutif (CNN), le système vise à identifier et à atténuer les attaques DDoS en temps réel.
L'ensemble de données complet Edge-IIoTset fournit une ressource précieuse pour la formation et la
validation du modèle CNN proposé. Les performances du système sont évaluées à l'aide de mesures
d'apprentissage automatique établies. Les résultats obtenus seront analysés pour évaluer l'efficacité du
modèle CNN dans la détection des attaques DDoS dans l'environnement IIoT.
