Détection d’Intrusions dans les Systèmes de Contrôle Industriels Une Approche Hybride Basée sur le Machine Learning

Abstract

Avec l’émergence de l’industrie 4.0, les Systèmes de Contrôle Industriel (ICS), en particulier les Systèmes de Contrôle Distribuées (DCS), sont devenus des cibles privilégiées pour les cyberattaques en raison de leur connectivité accrue et de la vulnérabilité des protocoles industriels. Ce travail s’inscrit dans une démarche de sécurisation de ces environnements critiques en explorant l’apport de Machine Learning pour la détection d’intrusions. Nous avons mené une étude comparative rigoureuse de neuf algorithmes de machine learning répartis en trois catégories : bagging, boosting et deep leaning, sur trois jeux de données : CIC-IDS2018, UNSW-NB15 et un dataset issu d’un système DCS réel d’une turbine à gaz. Sur la base de cette évaluation, nous avons conçu un modèle hybride nommé X-RF Shield, combinant XGBoost et Random Forest, dans le but d’optimiser les performances de détection. Une simulation en temps réel a permis de valider son efficacité dans un environnement ICS simulé. Les résultats expérimentaux ont révélé que X-RF Shield surpasse les modèles individuels.