zero-watermarking pour l'intégrité des données, la provenance sécurisée et la détection des intrusions dans les réseaux IoT

zero-watermarking for data integrity, secure provenance and intrusion detection in IoT networks

• Auteur / Autrice : Omair Faraj
• Direction : Joaquin Garcia-Alfaro, David Megías Jiménez
• Type : Thèse de doctorat
• Discipline(s) : Informatique, données, IA
• Date : Soutenance le 05/11/2024
• Etablissement(s) : Institut polytechnique de Paris en cotutelle avec Universitat oberta de Catalunya
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Télécom SudParis (Evry ; 2012-....) - Institut Polytechnique de Paris / IP Paris - Département Réseaux et Services Multimédia Mobiles / TSP - RS2M - Sécurité et Confiance Numérique / SCN-SAMOVAR
• Jury : Président / Présidente : Michał Choraś
• Jury : Examinateurs / Examinatrices : Mohamed Mosbah, Alexandre Viejo, Carlos Borrego iglesias
• Jury : Rapporteurs / Rapporteuses : Michał Choraś, Mohamed Mosbah
• DOI : 10.70675/d4ca2108z74b9z4cd7zb43dz3cc95568cc9c

Mots clés

Mots clés contrôlés

Internet des objets

Systèmes de détection d'intrusion (informatique)

Données -- Récupération (informatique)

Mots clés libres

Cybersécurité

Provenance des données

Intégrité des données

Numérique watermarking

Détection d'intrusion

Machine Learning

Cybersecurity

Data Provenance

Data Integrity

Digital Watermarking

Intrusion Detection

Machine Learning

Résumé

Cette thèse examine l'intégration de techniques de sécurité avancées dans des IDS (Systèmes de détection d'intrusions, ou IDS en anglais) dans les réseaux de type Internet des objets (IoT). Ces réseaux sont de plus en plus susceptibles aux cybermenaces, en raison de leur nature interconnectée et des ressources limitées. Les techniques de sécurité traditionnelles, comme la détection basée sur les signatures, ne peuvent identifier que les attaques connues, tandis que la détection basée sur l'analyse comportementale peut identifier des attaques inconnues, mais génère souvent des taux élevés de fausses alarmes. Nous proposons un système robuste et léger pour résoudre les problèmes d'intégrité des données, ainsi que pour sécuriser les informations de provenance et améliorer l'efficacité des IDS comportementaux. La solution proposée introduit une nouvelle approche de type zero-watermarking, en utilisant l'information de provenance des données échangées. Tout d'abord, nous effectuons une revue systématique des IDS récents basés sur l'apprentissage automatique pour les réseaux IoT, en identifiant les principaux défis tels que les taux de détection, les faux positifs, la détection en temps réel, la surcharge de calcul et la consommation d'énergie. Nous soulignons la nécessité de recherches approfondies couvrant tous les types d'attaques et les technologies IoT récentes. De plus, nous soulignons le potentiel des algorithmes de type zero-watermarking en tant que solution efficace en termes de ressources pour la mise en œuvre des IDS comportementaux. Deuxièmement, nous examinons l'intégration de la provenance des données, en abordant les vulnérabilités et le besoin de fiabilité, de qualité, de traçabilité et de sécurité des données. Nous identifions des lacunes de recherche importantes et soulignons la nécessité d'une exploration plus approfondie pour améliorer la sécurité, en fournissant des orientations de recherche pour améliorer les techniques de sécurité de provenance existantes dans les réseaux IoT. En outre, nous nous concentrons sur l'intégrité des données et la transmission sécurisée des informations de provenance dans les réseaux IoT grâce à notre approche de type zero-watermarking. Nous présentons une solution algorithmique et une modélisation pour divers scénarios, validant les capacités de sécurité de notre approche par une analyse de sécurité formelle et des simulations numériques. Nos résultats démontrent que le schéma proposé est léger, efficace en termes de calcul et consomme moins d'énergie que les solutions existantes. De plus, nous proposons une nouvelle approche pour améliorer les performances des systèmes de détection d'intrusions réseau basés sur les anomalies en intégrant le zero-watermarking avec des techniques basées sur l'apprentissage automatique. En utilisant une approche à deux couches, combinant un modèle d'apprentissage automatique pour la classification initiale, plus l'incorporation de notre proposition de zero-watermarking sur la provenance des données pour la classification secondaire, nous obtenons une amélioration en termes de précision, ainsi que nous réduisons considérablement les taux de fausses alarmes. Une évaluation à l'aide des jeux de données publiques confirme l'efficacité de notre approche en termes de performances de classification et d'efficacité de calcul. Nous avons évalué nos contributions en utilisant des simulations numériques, expérimentation et une analyse comparative avec des solutions existantes. Enfin, nous avons identifié plusieurs possibilités pour les travaux futurs visant à élargir et à améliorer davantage les connaissances existantes sur le terrain, en soulignant des directions de recherche prometteuses pour l'avancement des techniques de watermarking, la provenance des données et les techniques de détection d'intrusion pour les réseaux IoT.

This thesis investigates the integration of advanced security techniques into Intrusion Detection Systems (IDS) for Internet of Things (IoT) networks. Such networks are increasingly susceptible to various cyber threats due to their interconnected nature and constrained resources. Traditional security techniques, like signature-based detection, can only identify known attacks, while anomaly detection can identify unknown attacks but often generates high false alarm rates. This makes advanced IDS crucial. Additionally, we also tackle the challenge of efficiently and securely transmitting provenance information in IoT networks. The goal is to ensure the integrity and reliability of data within IoT environments. We propose a robust and lightweight system to address data integrity issues, secure provenance information, and enhanced effectiveness of anomaly-based IDS. The proposed solution introduces a novel zero-watermarking approach, utilizing data provenance information as a lightweight methodology. Firstly, we conduct a systematic review of recent Machine Learning (ML)-based IDS for IoT networks. We identify the following challenges: management of detection rates (mainly false positives), assurance of real-time detection, and reduction of both computational overhead and energy consumption. We highlight the necessity for extensive research covering all attack types and recent IoT technologies. We also emphasize the potential of watermarking algorithms as a resource-efficient solution for IDS implementation. Secondly, we examine the integration of IoT and data provenance, addressing vulnerabilities and the need for data trustworthiness, quality, traceability, and security. We identify significant research gaps and emphasize the need for further exploration to enhance network security, providing research directions to improve existing provenance security techniques in IoT. We also focus on addressing data integrity and secure transmission of provenance information in IoT networks through zero-watermarking. We present algorithmic modeling for various scenarios, validating the security capabilities of our approach through formal security analysis and numerical simulations. Our findings validate that the proposed scheme is lightweight, computationally efficient, and consumes less energy compared to existing solutions. Finally, we propose a novel approach to enhance the performance of anomaly-based Network Intrusion Detection Systems (NIDS) by integrating zero-watermarking with ML-based techniques. Using a two-layer approach, we combine ML-based model for initial classification and data provenance-based zero-watermarking for secondary classification. By doing so, we achieve high accuracy and significantly reduce the rate of false alarms. Evaluation using public datasets confirms the effectiveness of our approach in terms of classification performance and computational efficiency. We evaluated all the proposed approaches using numerical simulations, experiments and comparative analysis with existing solutions. We also identified several possibilities for future work to further extend and improve the existing field knowledge, highlighting promising research directions for advancing watermarking techniques, data provenance and IDS in IoT networks.