Le Dr Daniel Gavilanes Aray, directeur du Centre technologique de la Fundación Universitaria Iberoamericana (Fondation universitaire ibéro-américaine, FUNIBER), participe à une étude qui a développé un modèle d’apprentissage automatique empilé qui améliore l’identification des cyberattaques avec une grande précision et une grande robustesse.
L’Internet des objets (IoT) a transformé la manière dont les personnes interagissent avec la technologie, permettant aux appareils d’usage quotidien de s’intégrer dans un vaste réseau mondial interconnecté. Cependant, cette avancée comporte également des risques importants, parmi lesquels les botnets, des réseaux d’appareils infectés utilisés pour mener des cyberattaques à grande échelle.
Les botnets sont constitués d’appareils compromis, qui peuvent aller des ordinateurs aux caméras de sécurité domestiques, et sont contrôlés à distance par des pirates pour mener des activités illégales telles que des attaques par déni de service (DDoS), le vol de données ou l’envoi massif de spam.
La diversité des appareils qui composent l’écosystème de l’IoT, avec des différences de protocoles et de capacités, rend leur protection de plus en plus difficile pour la cybersécurité. Les techniques traditionnelles s’avèrent insuffisantes, d’autant plus dans un contexte où les cybercriminels intègrent l’intelligence artificielle (IA) pour perfectionner leurs méthodes.
Dans ce contexte, une approche innovante basée sur l’apprentissage automatique (ML) est proposée pour anticiper et neutraliser ces menaces, marquant une étape importante dans la protection numérique des réseaux intelligents.
L’étude à laquelle participe le Dr Gavilanes propose un modèle appelé KSDRM, qui combine différents algorithmes d’apprentissage automatique, notamment k-Nearest Neighbors (KNN), les machines à vecteurs de support (SVM), les arbres de décision (DT), les forêts aléatoires (RF) et les perceptrons multicouches (MLP). Afin d’intégrer les résultats de ces classificateurs et d’améliorer la précision, le modèle utilise la régression logistique comme méta-classificateur.
Cette approche vise non seulement à optimiser la capacité de détection, mais aussi à réduire le surajustement et à augmenter l’interprétabilité, par rapport aux approches basées exclusivement sur les réseaux neuronaux profonds.
Des résultats qui renforcent la sécurité numérique
Les résultats obtenus confirment l’efficacité du modèle proposé. Le KSDRM a atteint une précision de 97,94 % lors des tests, surpassant le meilleur classificateur individuel (RF), qui a obtenu 97,34 %. Outre sa précision, le système a démontré qu’il réduisait le temps de traitement, ce qui en fait une alternative viable pour les applications en temps réel, où l’immédiateté est essentielle.
Cette avancée représente non seulement un pas en avant dans la défense contre les botnets, mais elle jette également les bases de futures recherches en matière de cybersécurité appliquée à l’IoT. Dans un monde hyperconnecté, où chaque appareil peut devenir un point vulnérable, l’IA apparaît comme l’allié stratégique le plus efficace pour garantir la protection numérique.
Si vous souhaitez en savoir plus sur cette étude, cliquez ici.
Pour lire d’autres recherches, consultez le répertoire de l’UNEATLANTICO.
La Fondation universitaire ibéro-américaine (FUNIBER) propose des programmes de bourses pour étudier un master dans le domaine de la technologie, comme le Master en gestion stratégique avec spécialisation en technologies de l’information. Ce master est conçu pour les professionnels qui souhaitent diriger l’intégration des technologies de l’information (TI) dans les stratégies d’entreprise. Il fournit les outils nécessaires pour aligner les NTIC sur les objectifs organisationnels, en encourageant l’innovation et la compétitivité dans un environnement commercial en constante évolution.