Titre de projet: Développement d’un système intelligent de détection et de classification des anomalies dans les réseaux IoT à l’aide de l’apprentissage fédéré et d’algorithmes de graphes, pour améliorer la sécurité et la fiabilité des systèmes distribués.

Project Abstract

Ce travail propose le développement d’un système intelligent de détection et de classification des anomalies dans les réseaux IoT, intégrant l’apprentissage fédéré et des algorithmes de graphes afin d’améliorer la sécurité et la fiabilité des systèmes distribués. Face à la croissance exponentielle des dispositifs IoT et à la diversité des sources de données, les méthodes centralisées d’analyse sont souvent limitées par la latence, la confidentialité et la scalabilité. L’approche proposée exploite l’apprentissage fédéré pour permettre l’entraînement de modèles de détection directement sur les appareils ou sur des nœuds edge, tout en conservant les données sensibles localement et en ne partageant que des mises à jour de modèle chiffrées, ce qui réduit les risques de fuite d’informations et soutient la conformité aux réglementations de protection des données. Le cadre allie des modèles de graphes, comme les réseaux de neurones sur graphes (GNN), et des techniques d’analyse structurelle pour capturer les dépendances contextuelles et les interactions complexes entre les capteurs, les passerelles et les services cloud. Cette hybridation permet non seulement de repérer les anomalies évidentes (anomalies temporelles et spatiales, pannes de capteurs, communications irrégulières) mais aussi de classifier les comportements malveillants, tels que les intrusions, usurpations d’identités et intoxications des flux. Le système intègre une étape de prétraitement distribuée, des mécanismes de modélisation multi-tâches et une stratégie de fédération robuste résistant aux divergences entre les données des différents nœuds et aux attaques sur le processus d’entraînement fédéré. La méthodologie combine des techniques d’apprentissage fédéré HFL (FedAvg et variantes robustes) avec des architectures GNN adaptées aux graphes dynamiques des réseaux IoT, accompagnées de méthodes d’agrégation sécurisée et d’évaluation continue. Un processus de détection multi-niveaux est mis en place (i) détection locale d’anomalies au niveau des nœuds, (ii) corrélation et propagation des signaux anormaux via le graphe structurel, et (iii) fusion et classement global des anomalies par un métamodèle fédéré. Le modèle est entraîné sur des jeux de données synthétiques et réels, couvrant divers scénarios de défaillance et d’attaques, avec des métriques d’évaluation axées sur la précision, le rappel, la spécificité et le temps de détection. Des expériences contrôlées évaluent l’impact de la fédération sur la précision et la robustesse contre le bruit et les données non IID, ainsi que la scalabilité lorsque le nombre de nœuds augmente. En outre, l’étude analyse l’efficacité des mécanismes de confidentialité et les compromis entre performance et coût de communication. Les résultats démontrent une amélioration significative de la détection d’anomalies et une meilleure classification des comportements anormaux par rapport à des approches centralisées ou purement statistiques, tout en préservant la sécurité et la confidentialité des données. Ce travail contribue à la convergence entre l’intelligence distribuée, la sûreté des réseaux IoT et les garanties opérationnelles des systèmes distribués.

Project Overview

What This Project Is About

---

This project explores building a smart system that can detect and classify unusual or abnormal behavior in Internet of Things (IoT) networks. It combines lightweight learning across many devices (federated learning) with graph-based methods to understand how devices relate to each other and to spot anomalies.

---

---

The Problem It Addresses

---

---

---

Objectives of the Project

---

1. Learn how IoT networks function and how anomalies manifest in these systems.
2. Implement a federated learning approach to train anomaly detectors without sharing raw data.
3. Incorporate graph-based techniques to model device relationships and improve detection.
4. Evaluate the system on simulated IoT data and compare with baseline methods.
5. Assess practicality in terms of privacy, communication overhead, and scalability.

---

---

What You Will Do Step by Step

---

1. Study basic IoT network concepts and common anomaly types.
2. Set up a small IoT-like testbed or use a simulated dataset.
3. Design a federated learning workflow for anomaly detection.
4. Build a graph model to capture device interactions and correlations.
5. Integrate the federated model with the graph insights.
6. Run experiments, tune parameters, and compare with non-federated baselines.
7. Analyze privacy, communication, and computational requirements.
8. Document findings and discuss real-world applicability.

---

---

Expected Outcome

A working, privacy-preserving anomaly detection system for IoT networks that uses federated learning and graph analytics to improve accuracy and scalability, with a clear evaluation showing benefits over traditional methods.