With the proliferation of IoT devices, ensuring the security and privacy of these devices and their associated data has become a critical challenge. In this paper, we propose a federated sampling and lightweight intrusion-detection system for IoT networks that use K-meansfor sampling network traffic and identifying anomalies in a semi-supervised way. The system is designed to preserve data privacy by performing local clustering on each device and sharing only summary statistics with a central aggregator. The proposed system is particularly suitable for resource-constrained IoT devices such as sensors with limited computational and storage capabilities. We evaluate the system’s performance using the publicly available NSL-KDD dataset. Our experiments and simulations demonstrate the effectiveness and efficiency of the proposed intrusion-detection system, highlighting the trade-offs between precision and recall when sharing statistics between workers and the coordinator. Notably, our experiments show that the proposed federated IDS can increase the true-positive rate up to 10% when the workers and the coordinator collaborate.

Given that the Internet traffic speed and volume are growing at a rapid pace, monitoring the network in a real-time manner has introduced several issues in terms of computing and storage capabilities. Fast processing of traffic data and early warnings on the detected attacks are required while maintaining a single pass over the traffic measurements. To palliate these problems, one can reduce the amount of traffic to be processed by using a sampling technique and detect the attacks based on the sampled traffic. Different parameters have an impact on the efficiency of this process, mainly, the applied sampling policy and sampling ratio. In this paper, we investigate the statistical impact of sampling the network traffic and we quantify the amount of deterioration that the sampling process introduces. In this context, an experimental comparison of existing sampling techniques is performed based on their impact on several well-known statistical measures.

Systèmes Collaboratifs de Détection d'Intrusion basés sur les Anomalies dans l'Internet des Objets: 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.