Conception et développent d’un système de détection d’intrusion basé sur l’intelligence artificielle dans un réseau de drones

https://www.esme.fr/recherche/equipe/

https://www.lisv.uvsq.fr/

Les véhicules aériens sans pilote (VASP), souvent appelés drones, sont un type de robots mobiles volants sans pilote, largement utilisés dans des applications complexes telles que les secours et le sauvetage, la sécurité, etc. Depuis leur apparition,  la demande et l’utilisation des VASP a progressé d’une manière remarquable dans tous les domaines en réalisant un énorme progrès en termes de technologie et de capacité afin d’améliorer leur efficacité dans les missions et applications [CLD]. Dans les missions complexes, souvent un ensemble de VASP, ou flotte est déployé pour plus d’efficacité. Au sein de la flotte, les VASP échangent des données sur la mission, qui peuvent être sensitives en utilisant des liens sans fils qui sont vulnérables aux attaques menaçant l’accomplissement de la mission. Par conséquent, la détection des attaques dans une flotte de VASP est une tache critique et importante connue dans la littérature sous le nom détection d’intrusion dans un réseau de drones.

Le système de détection d’intrusion (IDS) est un mécanisme consistant à surveiller un système ou réseau informatique afin de détecter toute activité malveillante et anormales telle que : accès non autorisé, modification ou mauvaise utilisation des ressources disponibles. L’objectif principal de ce système est d'analyser le comportement du réseau en temps réel ou quasi-réel, identifier ces modèles suspects et prendre des mesures appropriées pour protéger les ressources. Afin d'identifier les modèles suspects, l'IDS peut utiliser deux approches. La première approche est l'identification basée sur les signatures, qui s'appuie sur des signatures connues stockées dans la base de données. La deuxième approche est l'approche basée sur les anomalies (comportement), qui consiste à analyser le comportement anormal de l'entité du réseau, en utilisant des techniques d’apprentissage machine [MFA]. 

Les techniques d’apprentissage machine sont devenues courantes dans la détection d’intrusion et présentent un potentiel significatif dans le traitement intelligent du trafic réseau massif. Dans ce contexte, plusieurs approches ont été abordées et proposées, telles que :  algorithme d'arbres de décision, k-voisin le plus proche, réseau neuronal convolutif, etc.

Kolmogorov-Arnold Networks (KANs) est une nouvelle classe de réseaux neuronaux inspirée du théorème de représentation de Kolmogorov-Arnold, qui stipule que toute fonction multivariée peut être décomposée en fonctions univariantes [LWV]. Cette structure unique permet aux KAN de remplacer les fonctions d'activation fixes traditionnelles par des fonctions univariantes apprenables sur les bords (connexions entre neurones). Cette approche permet une plus grande flexibilité et une précision améliorée, en particulier dans les tâches d'approximation de fonctions complexes.

L’objectif de ce projet de master est de développer un système de détection d’intrusion dans un réseau de drones basé sur l’apprentissage machine. Ce système concrètement devra :

1. Recevoir des données et informations relatives au trafic réseau d’une flotte de drones
2. Vérifier  la conformité et validité des données
3. Analyser les données transitant dans le réseau et identifier les comportements suspets en utilisant une approche intelligente
4. Notifier et  alerter les anormalies détectées via une interface utilisateur intuitive  

Références bibliographiques :

[CLD] Cengiz, K., Lipsa, S., Dash, R. K., Ivković, N., & Konecki, M. (2024). A novel intrusion detection system based on artificial neural network and genetic algorithm with a new dimensionality reduction technique for UAV communication. IEEE access.

[MFA] Muneer, S., Farooq, U., Athar, A., Ahsan Raza, M., Ghazal, T. M., & Sakib, S. (2024). A Critical Review of Artificial Intelligence Based Approaches in Intrusion Detection: A Comprehensive Analysis. Journal of Engineering, 2024(1), 3909173.

[LWV] Liu, Z., Wang, Y., Vaidya, S., Ruehle, F., Halverson, J., Soljačić, M., ... & Tegmark, M. (2024). Kan: Kolmogorov-Arnold networks. arXiv preprint arXiv:2404.19756.

Proposed work programme:

1. Literature review and state of the art of intrusion detection systems based on artificial intelligence in a drone network
2. Identification of recent and efficient artificial intelligence techniques
3. Design and development of a machine learning model based on KAN networks
4. Experiments 
5. Writing the end of internship report

Submit your application before 12/31/2024 by completing the following form:

https://forms.gle/v8pjCgfEvP82cys79

Requirements: Machine learning, programming, python language, report writing, reading and writing basic English