Approche intelligente pour améliorer la sécurité de l’architecture Named Data Networking

Intelligent Approach to Improve the Security of Named Data Networks

• Auteur / Autrice : Abdelhak Hidouri
• Direction : Samia Bouzefrane, Haifa Touati
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur spécialité Informatique
• Date : Inscription en doctorat le ; Soutenance le 15/04/2025
• Etablissement(s) : Paris, CNAM en cotutelle avec Université de la Manouba
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Cedric - Centre d'études et de recherche en informatique et communications
• Jury : Président / Présidente : Rida Khatoun
• Jury : Examinateurs / Examinatrices : Samia Bouzefrane, Haifa Touati, Yassine Hadjadj aoul, Youakim Badr, Nour El madhoun, Paul Muhlethaler, Nasreddine Hajlaoui
• Jury : Rapporteurs / Rapporteuses : Yassine Hadjadj aoul, Rida Khatoun

Mots clés

Mots clés libres

Named Data Networking

Sécurité

Apprentissage Automatique

Named Data Networking

Security

Machine Learning

Résumé

Le Named Data Networking (NDN) représente un changement de paradigme dans l'architecture Internet, offrant une approche centrée sur les données qui s'attaque aux limitations fondamentales de l'infrastructure IP actuelle. En se concentrant sur ce que les utilisateurs veulent plutôt que sur l'endroit où se trouvent les données, NDN facilite une distribution efficace du contenu, une sécurité renforcée et une résilience améliorée. La prise en charge inhérente de la mise en cache par NDN, son modèle de sécurité intégré, sa gestion élégante de la connectivité intermittente et son routage basé sur les noms offrent des avantages significatifs pour les réseaux modernes, en particulier dans le contexte des médias en continu, de l'IoT et du Edge Computing. Malgré ces avantages, NDN est confronté à des défis de sécurité critiques, notamment les attaques de pollution de cache (CPA). Les CPA exploitent les mécanismes de mise en cache de NDN en injectant du contenu impopulaire, dégradant les performances du cache et impactant négativement les utilisateurs légitimes. Cette thèse aborde le besoin urgent de stratégies robustes de détection et d'atténuation des CPA. Elle commence par une revue complète de l'état de l'art des techniques existantes, en analysant leurs forces et leurs faiblesses, et en soulignant les principales lacunes de la recherche. Une analyse d'impact détaillée des CPA sur les performances de NDN est également présentée, soulignant la nécessité de solutions plus efficaces. Pour relever ces défis, cette thèse propose une série de nouveaux mécanismes de détection et d'atténuation des CPA. Tout d'abord, une solution basée sur des seuils statistiques, ICAN (Intrusion detection system for CPA Attacks in NDN), est introduite. ICAN exploite des métriques réseau clés, notamment le taux de succès du cache, le temps inter-arrivées moyen des intérêts, la variation du nombre de sauts et les variations de préfixe, pour une détection et une atténuation légères des attaques CPA. Deuxièmement, reconnaissant les limitations de la dépendance d'ICAN à des seuils prédéfinis, une solution basée sur le Q-Learning, Q-ICAN, est développée. Q-ICAN emploie des agents d'apprentissage par renforcement dans les routeurs NDN pour détecter et atténuer de manière autonome et adaptative les CPA, en apprenant des modèles de trafic réseau et en s'adaptant dynamiquement aux conditions changeantes. Cette approche atténue proactivement les attaques au niveau du paquet d'intérêt, une différenciation clé par rapport aux solutions existantes. Enfin, pour améliorer davantage les performances et traiter les limitations de Q-ICAN dans les environnements complexes et de haute dimension, Deep Q-ICAN, une solution basée sur l'apprentissage par renforcement profond, est présentée. Deep Q-ICAN utilise des réseaux neuronaux profonds pour approximer les valeurs Q, permettant une gestion efficace des grands espaces d'états et des flux d'actions continus. Des simulations étendues sur diverses topologies du monde réel démontrent les améliorations de performances significatives obtenues par Deep Q-ICAN. Plus précisément, Deep Q-ICAN atteint un taux de succès du cache de 98%, réduit le délai de récupération moyen à 0,065s et atteint une précision de détection des CPA de 98,87%, surpassant les solutions de pointe et représentant une avancée significative dans la sécurité NDN.

Named Data Networking (NDN) represents a paradigm shift in internet architecture, offering a data-centric approach that addresses fundamental limitations of the current IP-based infrastructure. By focusing on what users want rather than where data resides, NDN facilitates efficient content distribution, enhanced security, and improved resilience. NDN's inherent support for caching, built-in security model, graceful handling of intermittent connectivity, and name-based routing offer significant advantages for modern networking, particularly in the context of streaming media, IoT, and Edge Computing. Despite these benefits, NDN faces critical security challenges, most notably Cache Pollution Attacks (CPAs). CPAs exploit NDN's caching mechanisms by injecting unpopular content, degrading cache performance and negatively impacting legitimate users. This thesis addresses the urgent need for robust CPA detection and mitigation strategies. It begins with a comprehensive state-of-the-art review of existing techniques, analyzing their strengths and weaknesses, and highlighting key research gaps. A detailed impact analysis of CPAs on NDN performance is also presented, underscoring the necessity for more effective solutions. To address these challenges, this thesis proposes a series of novel CPA detection and mitigation mechanisms. First, a statistically-based solution, ICAN (Intrusion detection system for CPA Attacks in NDN), is introduced. ICAN leverages key network metrics, including Cache Hit Ratio, Interest Inter-Arrival Time, hop count variation, and prefix variations, for lightweight, and accurate attack detection and mitigation. Second, recognizing the limitations of ICAN's reliance on predefined thresholds, a Q-Learning-based solution, Q-ICAN, is developed. Q-ICAN employs reinforcement learning agents within NDN routers to autonomously and adaptively detect and mitigate CPAs, learning from network traffic patterns and dynamically adjusting to changing conditions. This approach proactively mitigates attacks at the interest packet level, a key differentiator from existing solutions. Finally, to further enhance performance and address the limitations of Q-ICAN in complex, high-dimensional environments, Deep Q-ICAN, a Deep Reinforcement Learning-based solution, is presented. Deep Q-ICAN utilizes Deep Neural Networks to approximate Q-values, enabling efficient handling of large state spaces and continuous action streams. Extensive simulations across various real-world topologies demonstrate the significant performance improvements achieved by Deep Q-ICAN. Specifically, Deep Q-ICAN achieves a 98% Cache Hit Ratio, reduces Average Retrieval Delay to 0.065s, and achieves a CPA detection accuracy of 98.87%, outperforming state-of-the-art solutions and representing a significant advancement in NDN security.