Modèles sécurisés et robustes pour une communication économe en énergie dans l’internet des objets

Secure and robust models for energy-efficient communications for the Internet of Things

• Auteur / Autrice : Michaël Mahamat
• Direction : Abdelmadjid Bouabdallah, Ghada Jaber
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Sciences et Technologies de l'Information et des Systèmes : Unité de recherche Heudyasic (UMR-7253)
• Date : Soutenance le 14/11/2023
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Heuristique et Diagnostic des Systèmes Complexes [Compiègne]

Mots clés

Mots clés contrôlés

Économies d'énergie

Consommation d'énergie

Apprentissage par renforcement (intelligence artificielle)

Apprentissage profond

Intelligence artificielle

Chargeurs de batteries

Mesures de sécurité

Systèmes de communication sans fil

Téléphonie mobile

Informatique sensible au contexte

Internet des objets

Mots clés libres

IdO

Sécurité

Transfert d'énergie

Chargeurs mobiles

Recharge sans-fil

Sensibilité aux menaces

Energy conservation

Security

Internet of Things (IoT)

Energy consumption

Mobile chargers

Wireless charging

Threat-awareness

Context-aware computing

Cell phones

Wireless communication systems

Safety measures

Battery chargers

Artificial intelligence

Deep learning

Reinforcement learning

Energy conservation

Résumé

L’Internet des Objets (IdO) révolutionne notre mode de vie et les entreprises, notamment avec l’analyse en temps réel du trafic ou la surveillance de l’environnement depuis n’importe quel endroit sur Terre. Cependant, l’adoption de l’IdO reste difficile en raison des nombreux défis que comporte son déploiement. En effet, deux défis majeurs s’imposent à l’IdO : maximiser la durée de vie du réseau ainsi que garantir un niveau de sécurité élevé. Bien qu’il soit important de maximiser la durée de vie du réseau pour assurer un service continu, il est tout aussi important de sécuriser les réseaux IdO face aux différentes menaces. Cependant, l’utilisation de solutions de sécurité augmente les calculs effectués ce qui augmente la consommation d’énergie, réduisant ainsi la durée de vie du réseau. Ces défis étant ainsi opposés, il est nécessaire de trouver des compromis entre ces deux objectifs. Une première approche pour réduire l’impact de la sécurité pour l’IdO est d’utiliser des solutions considérant l’énergie limitée des appareils IdO. Cette approche est appelée sécurité économe en énergie et attire de plus en plus d’attention ces dernières années. La première partie de cette thèse présente une étude approfondie des récentes solutions de sécurité IdO économes en énergie. Nous analysons les différents mécanismes qu’elles utilisent pour réduire l’impact de la sécurité sur la consommation d’énergie des appareils, en passant par des techniques de gestion de l’énergie aux approches basées sur l’optimisation ou l’Intelligence Artificielle (IA). Nous discutons ensuite des différentes approches dans le domaine ainsi que de l’utilité des approches basées sur l’IA pour réduire la consommation d’énergie de la sécurité de l’IoT. L’étude précédente montre que la recharge sans-fil n’a pas été prise en compte parmi les techniques de gestion de l’énergie utilisées pour réduire l’impact des solutions de sécurité IdO. Les solutions de recharge sans-fil utilisent un ou plusieurs dispositifs de recharge qui se déplacent dans le réseau pour recharger les appareils. En outre, nous avons observé que les stratégies de recharge sans-fil existantes n’étaient pas sensibles au contexte ou capables de s’adapter à des changements critiques dans le réseau, tels qu’une attaque du réseau. Par conséquent, nous proposons comme seconde contribution une stratégie de recharge sensible au contexte où celui-ci est modélisé comme un niveau d’importance variable des appareils. L’approche proposée se base sur de la prédiction de contexte afin de déterminer l’importance des appareils. Ensuite, le problème de la recharge sensible au contexte est modélisé par un Processus de Décision Markovien (MDP en anglais) dont nous proposons la résolution via l’utilisation d’un algorithme d’Apprentissage par Renforcement Profond (DRL en anglais) qu’est le Deep-Q Learning. La stratégie de recharge sensible au contexte est ensuite modifiée pour résoudre le problème de la recharge sans-fil sensible aux menaces. Cette nouvelle stratégie considère le niveau de menace estimé à un moment donné dans le réseau IdO pour déterminer quel nœud consommera le plus d’énergie pour se défendre contre la menace détectée. Cette stratégie ne nécessite pas d’avoir à disposition des jeux de données ou des informations antérieures pour fonctionner. Cette stratégie, également basée sur le DRL, apprend des observations de l’environnement pour déterminer le nœud à charger à chaque action. Les résultats obtenus montrent que la considération du niveau de menace améliore la durée de vie du réseau comparé à des approches non-intelligentes ainsi qu’à une approche basée sur le Deep-Q learning qui n’a pas connaissance du niveau de menace.

The Internet of Things (IoT) revolutionizes our lifestyle and companies, with real-time traffic analysis and environment monitoring, from anywhere on Earth. However, the adoption of IoT is still difficult due to the numerous challenges it comes with. The IoT faces two serious challenges: maximizing network lifetime and ensuring a high level of security. Although it is important to maximize the network lifetime to ensure continuous services, it is important to secure IoT networks against numerous threats. However, using security solutions increases computations which increases the energy consumption of IoT devices, thus, reducing network lifetime. These challenges are opposed, therefore, it is mandatory to find a trade-off to maximize network lifetime. The first approach to reduce the impact of IoT security is to use solutions considering the limited energy of IoT devices. This approach is called energy-efficient security and it has attracted more and more attention in recent years. The first part of this thesis presents an extensive study of recent energy-efficient IoT security solutions. We analyze the different mechanisms they use to reduce the impact of security on the energy consumption of the devices, from energy management techniques to optimization and learning-based approaches. We after discuss the different approaches within the field along with the usefulness of Artificial Intelligence (AI) based approaches to reduce the energy consumption of IoT security. The latter study outlined that wireless charging was not considered among energy management techniques used to alleviate the energy consumption of IoT security solutions. Wireless charging solutions use one or multiple charging devices that travel in the network to recharge the devices. Furthermore, we observed that the existing wireless charging strategies were not context-aware or able to adapt to critical changes in the network such as a network attack. Therefore, as a second contribution, we propose a context-aware charging strategy in which the context is modeled as a varying importance of the devices. The proposed approach represents this varying importance level via context prediction. Then, to determine which device to charge, we model the problem of context-aware charging with a Markov Decision Process (MDP) and propose the use of a Deep Reinforcement Learning (DRL) algorithm, namely Deep-Q learning, to solve it. The proposed context-aware charging strategy is then modified to tackle the problem of threat-aware charging. This strategy considers the estimated threat level at a given moment in the IoT network to determine which node will consume the most energy to defend itself against the detected threat. This strategy does not need prior information and data sets to function. This strategy, also based on DRL, learns from the observations it receives from the network to determine the device to charge next. The results obtained show that the consideration of the threat level improves network lifetime compared with non-intelligent approaches, as well as with an approach based on Deep Q-learning, which does not possess this knowledge of the threat level.