Conception de filtre d'un réseau d'objets connectés par apprentissage profond

• DÉDICACE
  
• REMERCIEMENTS
  
• RÉSUMÉ
  
• ABSTRACT
  
• TABLE DES MATIÈRES
  
• LISTE DES TABLEAUX
  
• LISTE DES FIGURES
  
• LISTE DES ABREVIATIONS
  
• INTRODUCTION GENERALE
  
• CHAPITRE 1 : ETAT DE L'ART, CONTEXTE ET PROBLÉMATIQUE
  
• Introduction
  
• 1. Caractéristiques d'un réseau d'objet connecté
  
  • 1.1. Acteurs d'un réseau d'objet connecté
    
  • 1.2. Architecture d'un objet connecté
    
  • 1.3. Protocoles de communication des objets connectés
    
• 2. Problèmes de sécurités rencontrés sur les objets connectés
  
  • 2.1. Vulnérabilités des objets connectés
    
    • 2.1.2. Services réseaux non sécurisés
      
    • 2.1.3. Interfaces de l'écosystème non sécurisé
      
    • 2.1.4. Absence de mécanisme de mise à jour sécurisé
      
    • 2.1.5. Utilisation de composant non sécurisé ou obsolète
      
    • 2.1.6. Insuffisance dans la protection de la vie privée
      
    • 2.1.7. Stockage ou transfert de données sensible non sécurisé
      
    • 2.1.8. Manque de gestion des appareils
      
    • 2.1.9. Configuration par défaut non sécurisé
      
    • 2.1.10. Manque de protection physique
      
  • 2.2. Attaques sur les objets connectés
    
• 3. Quelques solutions de pare-feu des objets connectés
  
  • 3.1. IoT Sentinel
    
  • 3.2. BPF
    
  • 3.3. Filter.tlk
    
• 4. Contexte et intérêt du projet
  
• 5. Problématique
  
• 6. Objectif du projet
  
• CHAPITRE 2 : MÉTHODOLOGIE
  
• Introduction
  
• 1. Définition de concepts clés
  
  • 1.1. Algorithme d'apprentissage profond
    
  • 1.2. Empreinte digitale
    
• 2. Conception de la solution
  
  • 2.1. Architecture de la solution
    
  • 2.2. Les différentes fonctionnalités
    
• 3. Outils utilisés
  
• 4. Conception des modèles
  
  • 4.1. Conception des modèles d'apprentissage profond
    
    • 4.1.1. Acquisition du jeu de données
      
    • 4.1.2. Préparation et nettoyage des données
      
    • 4.1.3. Formation du modèle d'apprentissage profond
      
  • 4.2. Implémentation du modèle de détection de trafic malveillant
    
• Conclusion
  
• CHAPITRE 3 : SIMULATIONS ET INTERPRÉTATION DES RÉSULTATS
  
• Introduction
  
• 1. Métriques d'évaluation des modèles
  
• 2. Tests des modèles et évaluation
  
  • 2.1. Détection de trafic IoT malveillant
    
  • 2.2. Identification du type d'objet
    
• 3. Implémentation du modèle de détection de trafic malveillant
  
• 4. Discussions
  
• Conclusion
  
• CONCLUSION ET PERSPECTIVES
  
• ANNEXES 1
  
• ANNEXES 2
  
• ANNEXES 3
  
• RÉFÉRENCES