Application of artificial intelligence for iot data analysis

Abstract

L'objectif principal de cette thèse est d'utiliser l'intelligence artificielle pour prendre en charge le grand nombre d'appareils IoT utilisés dans les domaines en forte croissance tel que l’automobile et la santé. Nous étudierons comment l'intelligence artificielle peut résoudre certaines limitations de la technologie IoT et comment elle peut stimuler le déploiement de la technologie IoT dans la vie de l’homme. Ceci est utile dans les systèmes de surveillance automatisé existant afin de fournir une surveillance complète en temps réel, fiable et automatisée des IoT basée sur des solutions d'intelligence artificielle. C’est un domaine stratégique pour les IoT en général et les systèmes embarqués, mais plus particulièrement pour les véhicules autonomes, les soins de santé et les villes intelligentes. Un autre objectif est de réaliser des études et analyses sur l'IoT dans un contexte Big Data. En plus, nous allons proposer une méthode de sécurité basée sur l'intelligence artificielle qui inclut automatiquement les aspects de sécurité croissants liés au domaine de l'IoT. Dans cette thèse, nous proposons quatre structures visant à classer les données IoT en utilisant des modèles hybrides d'apprentissage profond et des méthodes d'apprentissage ensembliste. Pour évaluer nos modèles, deux ensembles de données routières ont été créés et étiquetés en temps réel, fournissant les ressources nécessaires à l'évaluation de nos modèles proposés. Les trois premières structures démontrent l'efficacité des modèles hybrides et des techniques ensemblistes pour améliorer la détection des anomalies sur les surfaces routières. En outre, nous proposons un structure de big data qui utilise Apache Spark et l'apprentissage ensembliste pour renforcer la détection des intrusions dans les réseaux IoT. La quatrième structure passe par des tests approfondis en utilisant l'ensemble de données BoT-IoT, prouvant sa capacité à gérer les déséquilibres de trafic et à détecter diverses menaces sur le réseau IoT avec une grande précision. Les résultats expérimentaux confirment l'efficacité et la fiabilité des quatre structures proposés.