Résumé:
L'Internet des Objets (IoT) connecte des milliards de dispositifs à travers le monde, mais leur faible capacité de traitement et leur diversité les rendent vulnérables aux attaques. Ce mémoire étudie la détection d'intrusion dans l'IoT en comparant deux approches majeures de l'intelligence artificielle : l'apprentissage automatique (ML) et l'apprentissage profond (DL).
En utilisant le jeu de données ToN_IoT, plusieurs modèles ont été évalués. Les modèles ML, en particulier XGBoost (accuracy: 75,98 %) et Random Forest (accuracy: 86,71 %, F1-score: 86,17 %), se distinguent par leur efficacité, leur rapidité d'exécution (< 10 s) et leur faible complexité. À l'inverse, les modèles DL comme l'Autoencoder ou le Transformer présentent un coût computationnel élevé (jusqu'à 346 s), malgré des performances élevées (Transformer F1-score: 99,3 %).
Les résultats montrent que les modèles ML sont actuellement les plus adaptés à des en- vironnements IoT contraints. Le travail met en évidence la nécessité d'un compromis entre performance, consommation de ressources et simplicité, et ouvre des perspectives vers des ar- chitectures hybrides ou optimisées.
Mots Clés: Détection d'intrusion, Internet des Objets (IoT), Machine Learning, Deep Learning, ToN_IoT, Autoencodeur, Transformer, Random Forest, XGBoost.
