Détection d’Intrusions dans les Réseaux IoT Distribués : Apprentissage Ensembliste, Apprentissage Fédéré et Mécanismes Adaptatifs de Sécurité et de Protection de la Confidentialité

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur Salah El HAJLA, soutiendra une thèse de Doctorat intitulée : « Détection d’Intrusions dans les Réseaux IoT Distribués : Apprentissage Ensembliste, Apprentissage Fédéré et Mécanismes Adaptatifs de Sécurité et de Protection de la Confidentialité».

La soutenance publique aura lieu le 19 Septembre 2026 à 10h00 à l’Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, devant le jury composé de :

• Monsieur BELAISSAOUI Mustapha : Professeur, École Nationale de Commerce et de Gestion, Université Hassan 1er, Settat, Président ;

• Monsieur HAJAMI Abdelmajid : Professeur, Faculté des Sciences et Techniques, Université Hassan 1er, Settat, Rapporteur ;

• Monsieur SADQI Yassine : Maître de Conférences Habilité, Faculté des Sciences et Techniques, Université Cadi Ayyad, Marrakech, Rapporteur ;

• Monsieur FATANI Imade Fahd Eddine : Professeur, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Rapporteur ;

• Monsieur KHOURDIFI Youness : Maître de Conférences Habilité, Faculté Polydisciplinaire, Université Sultan Moulay Slimane, Béni Mellal, Examinateur ;

• Monsieur MOUNIR Soufyane : Professeur, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Co-directeur de thèse ;

• Monsieur MALEH Yassine : Maître de Conférences Habilité, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Directeur de thèse .

Résumé: 

La sécurisation des environnements distribués de l’Internet des Objets (IoT) constitue un défi majeur en raison de la croissance rapide des dispositifs connectés, de l’hétérogénéité des données échangées et de l’évolution constante des cybermenaces. Les systèmes de détection d’intrusions traditionnels, initialement conçus pour des infrastructures centralisées, présentent des limites importantes lorsqu’ils sont appliqués aux réseaux IoT. De plus, les approches d’apprentissage automatique centralisées soulèvent des problématiques critiques liées à la confidentialité des données, aux coûts de communication et à leur vulnérabilité face aux attaques adversariales.

Cette thèse étudie la conception de systèmes intelligents de détection d’intrusions capables d’améliorer simultanément les performances de détection, la préservation de la confidentialité des données et la robustesse des mécanismes d’apprentissage dans des environnements IoT distribués. 

Dans un premier temps, les travaux examinent l’utilisation des techniques d’apprentissage ensembliste afin d’améliorer la précision et la robustesse des systèmes de détection d’intrusions dans des architectures centralisées. En combinant plusieurs modèles d’apprentissage automatique complémentaires, cette approche permet de capturer une plus grande diversité de caractéristiques du trafic réseau et d’identifier plus efficacement les comportements malveillants. La recherche s’oriente ensuite vers l’intégration de l’apprentissage fédéré, qui permet l’entraînement collaboratif de modèles de détection sans centralisation des données. Cette architecture distribuée favorise la protection des informations sensibles tout en exploitant les connaissances issues de multiples dispositifs IoT. Enfin, cette thèse propose un cadre avancé d’apprentissage fédéré sécurisé intégrant un mécanisme d’évaluation dynamique de la confiance ainsi que des techniques de confidentialité différentielle adaptative. Ces mécanismes permettent de limiter l’influence des participants malveillants, de protéger les données contre les attaques d’inférence et de renforcer la robustesse du processus d’apprentissage dans des environnements potentiellement adversariaux. 

Les expérimentations réalisées sur plusieurs jeux de données de référence en sécurité IoT montrent que les approches proposées améliorent significativement la précision de détection tout en garantissant la confidentialité des données et la résilience face aux attaques adversariales. Les résultats obtenus dans cette thèse montrent que la combinaison de l’apprentissage ensembliste, de l’apprentissage fédéré et de mécanismes adaptatifs de sécurité constitue une approche efficace pour concevoir des systèmes de détection d’intrusions robustes et respectueux de la confidentialité dans les environnements IoT distribués de nouvelle génération. 

Mots-clés : Internet des Objets (IoT), Détection d’intrusions, Apprentissage ensembliste, Apprentissage fédéré, Confidentialité différentielle, Mécanismes de confiance, Cybersécurité des systèmes IoT.