Intelligence artificielle avancée pour détecter les cybermenaces tout en préservant la vie privée dans les smart cities durables

Le Méthode AAIFLF-PPCD : Une Solution Innovante pour la Sécurité des Villes Intelligentes Durables

Ce manuscrit propose la méthode AAIFLF-PPCD applicable aux villes intelligentes durables assistées par l’IoT. L’objectif principal de cette méthode est d’assurer une détection des cybermenaces à la fois robuste et évolutive tout en préservant la vie privée des utilisateurs d’IoT dans ces environnements urbains. Pour y parvenir, le modèle AAIFLF-PPCD se compose de trois étapes : sélection des caractéristiques basée sur HHO, reconnaissance d’attaques via SSAE et réglage des hyperparamètres à l’aide de WOA. La figure 2 illustre le flux de la méthode AAIFLF-PPCD.

Étape I : Sélection des caractéristiques par HHO

La première étape consiste à utiliser la sélection de caractéristiques basée sur HHO pour identifier les attributs les plus pertinents dans les données IoT. Cette méthode a été choisie en raison de sa capacité à reproduire le comportement collaboratif des faucons de Harris, trouvant ainsi un équilibre entre exploration et exploitation. Elle est particulièrement efficace avec des ensembles de données de haute dimension, permettant de choisir les caractéristiques les plus significatives tout en éliminant celles jugées inutiles, ce qui améliore la précision du modèle et son efficacité computationnelle.

La méthode HHO évite les optima locaux, ce qui en fait un choix solide pour des tâches complexes de sélection de caractéristiques non linéaires, notamment dans la détection de cybermenaces.

Cette technique comprend plusieurs phases, dont l’exploration, la transition entre exploitation et exploration, et enfin, l’exploitation.

Étape II : Classification des attaques avec SSAE

La méthode SSAE est ensuite utilisée pour détecter les cybermenaces. Ce modèle est prisé pour sa capacité à apprendre des représentations abstraites hiérarchiques des données grâce à une architecture profonde tout en maintenant de la parcimonie, ce qui permet de capturer efficacement les caractéristiques essentielles des ensembles de données de haute dimension. Les figures 4 montre la structure de SSAE.

L’architecture de SSAE est adaptée aux systèmes de détection d’intrusions en temps réel; elle automatise l’apprentissage des caractéristiques pertinentes sans besoin extensif d’ingénierie des caractéristiques.

Étape III : Réglage des hyperparamètres avec WOA

Pour conclure, l’algorithme WOA est utilisé pour optimiser les hyperparamètres de la technique SSAE en vue d’améliorer ses performances. Cette approche s’inspire des comportements sociaux des morses, ce qui favorise un équilibre entre exploration et exploitation. Grâce à sa rapidité de convergence, WOA s’avère bénéfique pour optimiser les hyperparamètres des modèles d’apprentissage automatique, en particulier dans les tâches de cybersécurité où une grande précision est essentielle.

Points à retenir

• Le modèle AAIFLF-PPCD améliore la détection des cybermenaces tout en respectant la vie privée des utilisateurs.
• HHO est particulièrement efficace pour traiter des ensembles de données de haute dimension, ce qui est crucial dans le cadre des villes intelligentes.
• SSAE offre des performances supérieures pour la classification des attaques grâce à sa capacité d’apprentissage auto-adaptatif.
• WOA permet d’optimiser les hyperparamètres de façon efficace et rapide, renforçant la robustesse des systèmes de sécurité.

Dans un contexte de plus en plus digitalisé, il devient impératif de trouver des solutions qui non seulement protègent les données, mais le font aussi de manière éthique, respectant ainsi la vie privée des utilisateurs. L’intégration d’innovations comme AAIFLF-PPCD pourrait-elle prévoir les défis futurs des cybermenaces dans les villes intelligentes ? Telle est la question qui mérite d’être explorée.