Détection intelligente de brouillage dans les réseaux 5G

Hachimi, Marouane (2020). Détection intelligente de brouillage dans les réseaux 5G. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (2MB) | Prévisualisation
Prévisualisation	PDF Télécharger (296kB) | Prévisualisation

Résumé

Dans les réseaux 5G, le réseau d’accès radio de nuage (C-RAN), également appelé réseau d’accès radio centralisé, est considéré comme une architecture future prometteuse en termes de minimisation de la consommation d’énergie et d’allocation efficace des ressources. Il fournit des infrastructures de nuage en temps réel, une radio coopérative et un traitement centralisé des données. Récemment, étant donné leur vulnérabilité aux attaques malveillantes, la sécurité des réseaux C-RAN a attiré une attention considérable. Parmi les diverses techniques de détection d’intrusion basées sur les anomalies, la plus prometteuse est la détection d’intrusion basée sur l’apprentissage machine (ML-IDS) car elle apprend avec moins d’interventions humaines. Dans ce sens, de nombreuses solutions ont été proposées qui soit elles ne sont pas très précises en termes de classification d’attaques, soit elles n’offrent qu’une seule couche de détection d’attaques. Ce mémoire se concentre sur le déploiement d’un système de détection d’intrusion (IDS) à plusieurs niveaux dans l’architecture C-RAN basé sur l’apprentissage profond qui peut détecter et classer plusieurs types d’attaques de brouillage : brouillage constant, brouillage aléatoire, brouillage trompeur, et brouillage réactif. Ce déploiement assure une sécurité accrue en minimisant les faux négatifs dans la classification. L’évaluation expérimentale de la solution proposée est réalisée sur les données WSN-DS (Wireless Sensor Networks DataSet), qui est un ensemble de données de réseau sans fil dédié à la détection des intrusions. La précision de la classification finale d’attaques est de 94,51% avec un taux de faux négatifs de 7,84%.

Titre traduit

Smart jamming detection in 5G networks

Résumé traduit

In 5G networks, the Cloud Radio Access Network (C-RAN) is considered a promising future architecture in terms of minimizing energy consumption and allocating resources efficiently by providing real-time cloud infrastructures, cooperative radio, and centralized data processing. Recently, given their vulnerability to malicious attacks, the security of C-RAN networks has attracted significant attention. Among various anomaly-based intrusion detection techniques, the most promising ones are the machine learning-based intrusion detection as they learn without human assistance. In this direction, many solutions have been proposed, but they show either low accuracy in terms of attack classification or they offer just a single layer of attack detection. This research focuses on deploying a multi-stage machine learning-based intrusion detection (ML-IDS) in 5G C-RAN that can detect and classify four types of jamming attacks, namely constant jamming, random jamming, deceptive jamming, and reactive jamming. This deployment enhances security by minimizing the false negatives in C-RAN architectures. The experimental evaluation of the proposed solution is carried out using the Wireless Sensor Networks DataSet WSN-DS, which is a dedicated wireless dataset for intrusion detection. The final classification accuracy of attacks is 94.51% with a 7.84% false negative rate.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en génie électrique". Comprend des références bibliographiques (pages 52-55).
Mots-clés libres:	réseaux d’accès radio de nuage, 5G, attaques par rouillage, système de détection d’intrusion, apprentissage profond, apprentissage supervisé, WSN-DS
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Kaddoum, Georges
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	01 oct. 2020 20:20
Dernière modification:	01 oct. 2020 20:20
URI:	https://espace.etsmtl.ca/id/eprint/2543

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt