Identification du type d’objet connecté de façon autonome

Autonomous IoT device type identification

• Auteur / Autrice : Nesrine Ammar
• Direction : Sébastien Tixeuil, Ludovic Noirie
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 06/03/2020
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Président / Présidente : Thi-Mai-Trang Nguyen
• Jury : Examinateurs / Examinatrices : Luigi Iannone
• Jury : Rapporteurs / Rapporteuses : Kaouthar Sethom, Abdelmadjid Bouabdallah

Mots clés

Mots clés contrôlés

Identification automatique

Réseaux locaux domestiques (informatique)

Apprentissage supervisé (intelligence artificielle)

Internet des objets

Mots clés libres

Internet des objets

Identification des objets

Flux de trafic

Apprentissage automatique

Classification supervisée

Machine learning

Internet of Things

Device identification

Traffic flows

Résumé

Avec la prolifération des objets connectés, de plus en plus de personnes achètent des objets et des électroménagers connectés pour bénéficier de nouveaux services, leur permettant de contrôler leur maison n'importe où, à tout moment et de rester informés. Le nombre de services activés par les objets IoT augmente rapidement, tout comme la diversité des types de ces objets: caméras, capteurs, téléphones intelligents, tablettes, haut-parleurs provenant de plusieurs fournisseurs et avec différents modèles. Les objets et les systèmes de gestion des services IoT d'un réseau domestique doivent savoir quels objets IoT sont connectés au réseau. Un système de gestion d’objets pour tous les types dans un réseau domestique est nécessaire. Dans cette thèse, nous proposons une méthodologie basée sur l'analyse des messages de protocole réseau pour extraire des informations pertinentes sur les dispositifs afin d'identifier leur type. Ensuite, nous avons proposé une autre méthodologie d'identification basée sur des algorithmes de Machine Learning. Notre approche de classification est basée sur la combinaison de fonctionnalités textuelles extraites de la charge utile des paquets et des caractéristiques de communication du réseau statistique. Nous évaluons notre solution et montrons qu'elle surpasse les solutions mentionnées dans l'état de l'art de la thèse avec une précision égale à 0,98.

With the proliferation of smart devices, more and more people buy IP devices and home appliances to benefit from new services, allowing them to control their home anywhere, anytime and to remain informed about. The number of services enabled by the IoT devices is quickly increasing, and so is the diversity of types of such devices: cameras, sensors, smart phones, tablets, speakers coming from several vendors and with different models. Devices and IoT service management systems in a home network needs to find out which IoT devices are connected to the network. A device management system for all kinds of devices being connected to the home network is necessary. In this thesis, we propose a methodology based on the analysis of network protocol messages to extract relevant information about the devices in order to identify their type. Then, we proposed another identification methodology based on Machine Learning algorithms. Our classification approach is based on the combination of textual features extracted from packets payload and statistical network communication features. We evaluate our proposal and show that it outperforms the state of the art in this field with an accuracy equal to 0.98.