Approche sémantique pour la détection d'anomalies dans les environnements IoT

L'utilisation massive de l'Internet des objets (IoT) dans différents domaines rend la vie des utilisateurs plus facile. Les objets IoT sont déployés dans diverses applications pour fournir des services avancés dans de nombreux secteurs tels que les maisons connectées, la e-santé, l'agriculture intelligente et les industries intelligentes, pour n'en citer que quelques-uns. Cet usage massif a ouvert la voie à l'émergence de nouvelles menaces et vulnérabilités, qui ont donné lieu à de nombreuses attaques telles que le vol de données et d'identité, les attaques par déni de service, espionnage, etc. En outre, ces dispositifs IoT génèrent, stockent et partagent de larges quantités de données. Ces données peuvent aussi être entachées par de nombreux problèmes, tels que inexactitudes, duplications, absences, etc. Ces problèmes peuvent être considérés comme des anomalies. Les anomalies sont des événements ou des points de données qui s'écartent du point de référence, et qui peuvent être causés par des attaquants malveillants, un comportement anormal du système et une défaillance des dispositifs, des canaux de transmission ou des unités de traitement des données. Afin de protéger ces dispositifs contre de telles menaces, des mécanismes efficaces de détection des anomalies sont utilisés. Dans la littérature, différentes approches ont été développées pour détecter les anomalies, qui peuvent être classées en fonction des algorithmes utilisés, notamment celles basées sur des statistiques, la sémantique, le regroupement, la classification et l'apprentissage profond. Les modèles sémantiques tels que les systèmes à base de connaissances (KBS), avec leurs capacités de modélisation sémantique et de raisonnement, peuvent être utilisés non seulement pour modéliser les environnements IoT, mais aussi pour détecter les anomalies, qui peuvent correspondre à des attaques. Dans cette thèse, nous proposons une approche basée sur les connaissances pour la détection d'anomalies. D'un point de vue sémantique, une anomalie dans un KBS peut être modélisée par un fragment de règles qui peut conduire à des inconsistances au sein du cadre logique. Cependant, la vérification de la cohérence dans un cadre logique donné est difficile à calculer, d'un point de vue théorique. Pour relever ce défi, ce travail introduit une nouvelle approche computationnelle qui réduit la complexité du processus de raisonnement en tenant compte de la modélisation logique et des détails intrinsèques du domaine d'application. En conséquence, nous proposons d'abord un algorithme pour la réécriture de la base de connaissances en une base de connaissances contextuelles, où un contexte est défini comme un fragment de la base qui exprime la connaissance d'un seul aspect du domaine. Nous proposons ensuite un algorithme de dérivation, appelé Lightweight Contextual Derivation Algorithm (LCDA), pour la vérification des incohérences dans les bases de connaissances contextuelles. L'approche proposée est mise en œuvre et testée dans un cas d'utilisation de maison connectée pour démontrer son efficacité dans le domaine de la cybersécurité. Nos expérimentations montrent que LCDA donne des résultats prometteurs en termes de temps de réponse par rapport à d'autres approches logiques dans la littérature. Toutefois, LCDA reste trop long lorsqu'il s'agit de vérifier les anomalies dans des bases de connaissances de taille importante. Pour améliorer davantage le temps de réponse de LCDA, nous proposons une extension de LCDA appelée Parallelized Lightweight Contextual Derivation Algorithm (PLCDA). Dans le PLCDA, les anomalies sont détectées en effectuant des dérivations en parallèle. Nous avons testé et mis en œuvre le PLCDA dans le même cas d'utilisation avec une base de faits de taille de l'ordre de 10⁵. Nos résultats expérimentaux montrent que le PLCDA améliore le temps de réponse du LCDA par un facteur de 10.