Multi-class detection and classification of security attacks in IoT networks using machine learning based on BoT-IoT dataset

Pahlevaninejad, Kasra (2026). Multi-class detection and classification of security attacks in IoT networks using machine learning based on BoT-IoT dataset. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (5MB) | Prévisualisation

Résumé

The rapid proliferation of Internet of Things (IoT) and Wireless Sensor Network (WSN) devices has significantly expanded the attack surface of modern networks, making effective intrusion detection mechanisms essential. However, many existing intrusion detection studies rely on outdated benchmark datasets, such as KDD Cup 99, NSL-KDD, and DARPA, which fail to capture the characteristics of contemporary IoT traffic. Furthermore, prior research frequently focuses on binary classification and overlooks the severe class imbalance inherent in real-world IoT datasets, as well as the computational constraints of IoT environments.
This thesis experimentally evaluates several machine learning models for the detection and multi-class classification of attacks in IoT networks using a stratified subset of the BoT-IoT dataset. The study systematically investigates the impact of different class imbalance handling techniques, including random oversampling, random undersampling, Synthetic Minority Oversampling Technique (SMOTE), and cost-sensitive learning. Several classifiers are assessed under these conditions, namely Random Forest, Gradient Boosting, Logistic Regression, and Artificial Neural Networks (ANNs), to determine their effectiveness in detecting diverse attack categories. Performance is evaluated using several metrics, including accuracy, macro-averaged recall, and macro-averaged F1-score, together with computational measures such as training time and testing time.
The results demonstrate that the choice of classifier and imbalance-handling strategy has a substantial impact on detection performance. In particular, the study compares standard models with oversampling, undersampling, SMOTE, and class-weighted/cost-sensitive variants, highlighting trade-offs between predictive performance and computational overhead. The experimental findings show that imbalance-aware training improves multi-class attack detection compared with unadjusted baseline models, while cost-sensitive learning offers a promising alternative to resampling-based approaches by reducing data processing overhead. Overall, the thesis identifies model–strategy combinations that better balance detection effectiveness and efficiency, supporting the development of practical intrusion detection systems for resource-constrained IoT environments.

Titre traduit

Détection et classification multiclasses des attaques de sécurité dans les réseaux IoT à l’aide de l’apprentissage automatique et du jeu de données BoT-IoT

Résumé traduit

La prolifération rapide des dispositifs de l’Internet des objets (IoT) et des réseaux de capteurs sans fil (Wireless Sensor Networks – WSN) a considérablement élargi la surface d’attaque des réseaux modernes, rendant les mécanismes de détection d’intrusion plus importants que jamais. Cependant, de nombreuses études dans ce domaine s’appuient encore sur des jeux de données de référence anciens, tels que KDD Cup 99, NSL-KDD et DARPA, qui ne reflètent plus adéquatement les caractéristiques du trafic IoT actuel. De plus, les travaux existants se concentrent souvent sur la classification binaire des attaques et accordent peu d’attention au problème du déséquilibre des classes, pourtant très présent dans les ensembles de données réels, ainsi qu’aux contraintes de calcul propres aux environnements IoT.
Cette thèse évalue expérimentalement plusieurs modèles d’apprentissage automatique pour la détection et la classification multiclasses d’attaques dans les réseaux IoT à partir d’un sous-ensemble stratifié du jeu de données BoT-IoT. L’étude examine de manière systématique l’influence de différentes techniques de traitement du déséquilibre des classes, notamment le suréchantillonnage aléatoire, le sous-échantillonnage aléatoire, la technique de suréchantillonnage synthétique des classes minoritaires (SMOTE) ainsi que l’apprentissage sensible aux coûts. Plusieurs algorithmes de classification sont évalués dans ces différentes conditions, soit les forêts aléatoires (Random Forest), le gradient boosting, la régression logistique et les réseaux de neurones artificiels (ANN), afin d’analyser leur capacité à détecter diverses catégories d’attaques. Les performances sont évaluées à l’aide de plusieurs indicateurs, notamment l’exactitude, le rappel moyen macro (macro-recall) et le score F1 moyen macro (macro-F1), ainsi qu’au moyen de mesures liées aux coûts computationnels, telles que les temps d’entraînement et de test.
Les résultats montrent que le choix du modèle de classification et de la stratégie de gestion du déséquilibre des classes influence fortement les performances de détection. Plus précisément, la comparaison entre les modèles de référence et leurs variantes utilisant le suréchantillonnage, le sous-échantillonnage, SMOTE ou la pondération des classes met en évidence différents compromis entre la qualité de la prédiction et les coûts de calcul. Les expérimentations démontrent également que les approches tenant compte du déséquilibre des classes améliorent la détection multiclasses des attaques par rapport aux modèles non ajustés. Par ailleurs, l’apprentissage sensible aux coûts apparaît comme une solution intéressante aux méthodes de rééchantillonnage, puisqu’il permet de réduire les traitements supplémentaires liés aux données tout en maintenant de bonnes performances de classification. Dans l’ensemble, cette recherche met en évidence des combinaisons modèle–stratégie offrant un meilleur équilibre entre efficacité de détection et efficience computationnelle, contribuant ainsi au développement de systèmes de détection d’intrusion adaptés aux environnements IoT à ressources limitées.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for a master's degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 119-122).
Mots-clés libres:	Internet des objets (IoT), détection de cyberattaques, système de détection d’intrusion (IDS), gestion du déséquilibre des classes, apprentissage automatique, réseaux de capteurs sans fil (WSN), efficacité computationnelle
Directeur de mémoire/thèse:	Directeur(-trice) Kadoch, Michel
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	23 sept. 2026 18:40
Dernière modification:	23 sept. 2026 18:40
URI:	https://espace.etsmtl.ca/id/eprint/4102

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt