💻 computer science

Carbon-Aware Intrusion Detection: A Comparative Study of Supervised and Unsupervised DRL for Sustainable IoT Edge Gateways

Cet article propose et évalue deux nouveaux systèmes de détection d'intrusion basés sur l'apprentissage par renforcement profond, DeepEdgeIDS et AutoDRL-IDS, qui intègrent des formulations de récompense multi-objectifs soucieuses du carbone afin d'atteindre une haute précision de détection et une efficacité énergétique pour atténuer les attaques DDoS sur des passerelles IoT en périphérie aux ressources limitées.

Auteurs originaux : Saeid Jamshidi, Foutse Khomh, Kawser Wazed Nafi, Amin Nikanjam, Samira Keivanpour, Omar Abdul-Wahab, Martine Bellaiche

Publié 2026-05-21

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Saeid Jamshidi, Foutse Khomh, Kawser Wazed Nafi, Amin Nikanjam, Samira Keivanpour, Omar Abdul-Wahab, Martine Bellaiche

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La Vue d'Ensemble : Protéger la « Ville Intelligente » sans Brûler la Planète

Imaginez l'Internet des Objets (IoT) comme une immense et animée ville où des milliards d'appareils intelligents (comme des thermostats, des caméras et des capteurs) parlent constamment entre eux. Cette ville possède un gardien de sécurité à chaque entrée de quartier, appelé une Passerelle de Bord (Edge Gateway).

Le document aborde deux problèmes majeurs liés à ces gardiens de sécurité :

Ils sont trop rigides : Les gardiens traditionnels ne reconnaissent que les criminels qu'ils ont déjà vus (comme une « Affiche de Recherche »). Si un criminel se présente avec un nouveau masque (une attaque « zero-day »), le gardien le manque.
Ils sont trop lourds : Les gardiens essaient d'être si intelligents qu'ils épuisent les batteries et créent une énorme empreinte carbone, ce qui est mauvais pour l'environnement.

Les auteurs proposent deux nouveaux types de « Super-Gardiens » basés sur l'Apprentissage par Renforcement Profond (DRL). Considérez le DRL comme un gardien qui ne se contente pas de mémoriser un manuel de règles, mais qui apprend en faisant et en vivant le monde, s'améliorant constamment pour repérer les ennuis.

Les Deux Nouveaux Gardiens : DeepEdgeIDS et AutoDRL-IDS

Le document présente deux approches différentes pour entraîner ces gardiens.

1. DeepEdgeIDS : Le « Détective Intuitif » (Non supervisé)

Fonctionnement : Imaginez un détective qui n'a jamais vu de criminel auparavant. Au lieu de regarder une « Affiche de Recherche », ce détective apprend à quoi ressemble le trafic « normal » en observant la ville pendant un certain temps. Il construit un modèle mental du « normal ».
L'Astuce : Lorsqu'il se passe quelque chose d'étrange (comme une soudaine foule de personnes courant dans une direction), le détective n'a pas besoin d'une étiquette disant « C'est une émeute ». Il sait simplement : « Hé, cela ne correspond pas au motif ! » Il le signale immédiatement.
Le Super-pouvoir : Parce qu'il n'a pas besoin d'une liste pré-écrite de crimes, il est incroyablement efficace pour attraper les attaques totalement nouvelles et inconnues (menaces zero-day).
Le Coût : Pour rester aussi affûté, ce détective réévalue constamment la situation, ce qui consomme un peu plus d'énergie et de puissance CPU.

2. AutoDRL-IDS : Le « Policier Vétéran » (Supervisé)

Fonctionnement : Ce gardien est entraîné sur une immense bibliothèque de cas passés où le résultat était déjà connu (données étiquetées). Il est comme un policier vétéran qui a étudié des milliers d'« Affiches de Recherche » et sait exactement à quoi ressemble un braqueur de banque.
L'Astuce : Il utilise un outil de mémoire spécifique (LSTM) pour se souvenir de la séquence des événements. S'il voit un motif correspondant à un crime connu, il agit vite.
Le Super-pouvoir : Il est très efficace et stable. Une fois qu'il connaît les règles, il n'a pas besoin de réfléchir aussi fort, ce qui lui permet d'économiser de l'énergie et de fonctionner plus froidement.
La Faiblesse : Si un criminel utilise une méthode complètement nouvelle qui n'est pas dans sa bibliothèque, il pourrait la manquer ou mettre plus de temps à la comprendre.

La Touche « Sensible au Carbone » : Le Système de Récompense Écologique

Habituellement, les systèmes de sécurité ne se soucient que d'une chose : « Avez-vous attrapé le méchant ? »

Ce document ajoute une nouvelle règle au jeu. Les gardiens sont désormais récompensés non seulement pour avoir attrapé les criminels, mais aussi pour l'efficacité avec laquelle ils le font.

Le Tableau d'Affichage : Chaque fois que le gardien prend une décision, il gagne des points pour avoir attrapé la menace, mais il perd des points s'il :
- Prend trop de temps (Latence).
- Utilise trop de mémoire (RAM).
- Brûle trop d'électricité (Énergie).
- Crée trop de pollution carbone.

Pensez-y comme à un jeu vidéo où vous obtenez une « Étoile d'Or » pour gagner, mais si vous utilisez trop de bonus, vous obtenez une « Étoile de Bronze » à la place. Le système force l'IA à trouver le moyen le plus intelligent et le plus écologique d'arrêter l'attaque.

Les Résultats : Qui a Gagné la Course ?

Les chercheurs ont testé les deux gardiens dans une « ville » réelle (un banc d'essai physique avec de vrais routeurs et appareils) sous attaque.

1. Attraper les Méchants (Précision) :

Le Détective Intuitif (DeepEdgeIDS) a gagné. Il a attrapé 98 % des attaques, y compris les nouvelles et délicates. Il a réagi plus vite car il n'avait pas besoin de consulter une bibliothèque ; il sentait simplement le « caractère faux » du trafic.
Le Policier Vétéran (AutoDRL-IDS) s'est bien débrouillé aussi, attrapant 94 %, mais il a été légèrement plus lent à s'adapter aux nouvelles astuces totalement inédites.

2. La Facture Énergétique (Durabilité) :

Le Policier Vétéran (AutoDRL-IDS) a été le gagnant ici. Parce qu'il s'appuyait sur ses règles pré-apprises, il utilisait moins d'électricité et produisait moins de carbone. C'était le choix « vert » pour les environnements stables.
Le Détective Intuitif (DeepEdgeIDS) utilisait plus d'énergie. Il devait constamment « réfléchir » et mettre à jour son cerveau en temps réel pour rester affûté. Cependant, le document soutient que cette énergie supplémentaire vaut la peine pour la sécurité supplémentaire qu'elle offre contre les menaces inconnues.

3. Vitesse :

DeepEdgeIDS a été plus rapide pour prendre des décisions (latence plus faible) car il n'avait pas besoin de traiter de longues séquences d'historique pour prendre une décision. Il a réagi instantanément à la « bizarrerie ».

La Conclusion

Le document conclut qu'il n'y a pas de « gardien » parfait unique. Cela dépend de ce dont vous avez besoin :

Si vous avez besoin d'une sécurité maximale contre des menaces inconnues et évolutives et que vous pouvez vous permettre un peu d'énergie supplémentaire, choisissez DeepEdgeIDS (Le Détective Intuitif).
Si vous avez besoin d'une efficacité maximale et que vos menaces sont principalement connues, choisissez AutoDRL-IDS (Le Policier Vétéran).

Les deux systèmes prouvent que nous pouvons construire une sécurité intelligente pour l'Internet des Objets qui est non seulement efficace, mais qui prend également soin de l'environnement en maintenant la consommation d'énergie et les émissions de carbone sous contrôle.

Résumé Technique : Détection d'Intrusion Soucieuse du Carbone pour les Passerelles de Bord IoT Durables

Énoncé du Problème
L'expansion rapide de l'Internet des Objets (IoT) a intensifié les défis de cybersécurité, en particulier concernant les attaques par Déni de Service Distribué (DDoS) au niveau de la périphérie du réseau. Les Systèmes de Détection d'Intrusion (IDS) traditionnels font face à des limitations critiques : ils peinent face aux attaques zero-day en raison de leur dépendance à des signatures statiques, produisent souvent des taux élevés de faux positifs dans les modèles basés sur l'anomalie, et manquent d'adaptabilité face au trafic dynamique. De plus, les approches existantes d'Apprentissage par Renforcement Profond (DRL) pour les IDS négligent fréquemment les facteurs de durabilité. Elles ne tiennent pas compte de l'efficacité énergétique et de l'empreinte carbone des opérations d'Apprentissage Profond, ce qui devient de plus en plus critique pour les passerelles de bord IoT à grande échelle et aux ressources limitées. Il existe un vide de recherche dans la résolution simultanée du double défi de l'adaptabilité (détection des menaces évolutives) et de la durabilité (minimisation de l'impact environnemental).

Méthodologie
L'article propose deux architectures d'IDS novatrices basées sur le DRL conçues pour les passerelles de bord, intégrant toutes deux une formulation de récompense multi-objectif « soucieuse du carbone » qui optimise conjointement les performances de détection, la latence, l'utilisation de la mémoire, la surcharge énergétique et les émissions de carbone estimées.

DeepEdgeIDS (Hybride AE-DRL non supervisé) :
- Architecture : Intègre un Autoencodeur (AE) pour l'extraction de caractéristiques non supervisée avec un Réseau Q Profond (DQN) pour l'atténuation adaptative.
- Mécanisme : L'AE apprend des représentations compressées du trafic bénin. Les anomalies sont détectées via l'erreur de reconstruction ( $A_s$ ). Cette erreur, combinée aux statistiques du trafic (taux de paquets, comptes SYN/ACK), forme le vecteur d'état pour l'agent DQN.
- Paradigme d'Apprentissage : Opère dans un cadre en ligne sans étiquettes. Il ne nécessite pas d'étiquettes de vérité terrain pour l'apprentissage de politique en temps réel.
- Fonction de Récompense : Utilise des signaux de retour disponibles lors du déploiement, notamment la confiance en l'anomalie (dérivée de l'erreur de reconstruction) et la stabilisation du trafic post-atténuation, plutôt que des métriques de vérité terrain comme le taux de détection ou le taux de faux positifs.
- Base Théorique : Prouvé comme convergent via la propriété de contraction de Bellman sous des récompenses bornées. La stabilité est assurée par une analyse de Lyapunov, garantissant une stabilité asymptotique sous des contraintes de puissance et de carbone bornées.
AutoDRL-IDS (Modèle LSTM-DRL supervisé) :
- Architecture : Augmente le concept de DeepEdgeIDS avec un réseau à Mémoire à Long Terme et à Court Terme (LSTM) pour capturer les dépendances temporelles dans les modèles de trafic, couplé à un agent DQN.
- Mécanisme : Exploite des données étiquetées lors d'un entraînement supervisé hors ligne pour optimiser les politiques de détection.
- Paradigme d'Apprentissage : Fait le pont entre l'entraînement supervisé hors ligne et l'adaptation de politique en ligne.
- Fonction de Récompense : Intègre des métriques dépendantes de la vérité terrain (Taux de Détection et Taux de Faux Positifs) pendant la phase d'entraînement supervisé, parallèlement aux pénalités de durabilité (énergie, carbone, latence).
- Base Théorique : Formulé comme un problème de contrôle stochastique contraint utilisant des multiplicateurs de Lagrange pour gérer les contraintes énergétiques et mémoire. La convergence est prouvée via les conditions Karush-Kuhn-Tucker (KKT) et l'approximation stochastique de Robbins-Monro.

Contributions Clés

Conception de Paradigme Dual : L'introduction de deux solutions d'IDS basées sur le DRL distinctes : un modèle LSTM-DRL supervisé (AutoDRL-IDS) pour la précision dans des scénarios structurés et un hybride AE-DRL non supervisé (DeepEdgeIDS) pour la détection d'anomalies sans étiquettes.
Optimisation Soucieuse du Carbone : L'intégration explicite des émissions de carbone et de la consommation énergétique en tant que variables de retour continues au sein de la fonction de récompense DRL, permettant une prise de décision consciente de la durabilité.
Validation Réelle : Déploiement et évaluation des deux modèles sur des passerelles de bord physiques (Raspberry Pi 4) lors d'attaques DDoS en direct, fournissant le premier benchmark soucieux du carbone des IDS basés sur le DRL à la périphérie.
Rigueur Théorique et Statistique : Preuve de convergence pour DeepEdgeIDS via la contraction de Bellman et l'analyse de stabilité de Lyapunov, complétée par une Analyse de la Variance (ANOVA) pour valider statistiquement les différences de performance sur plusieurs métriques.

Résultats Expérimentaux
Les modèles ont été évalués à l'aide du jeu de données Bot-IoT et d'un banc d'essai physique impliquant des dispositifs ESP32 et des passerelles Raspberry Pi 4 dans divers scénarios d'attaques DDoS, y compris des simulations zero-day.

Précision de Détection : DeepEdgeIDS a atteint une précision de 98,0 % (évaluation hors ligne) et un rappel de 97,6 %, surpassant AutoDRL-IDS, qui a atteint une précision de 94,0 %. DeepEdgeIDS a démontré une adaptabilité supérieure aux attaques zero-day et aux rafales de trafic transitoires.
Temps de Réponse et Latence : DeepEdgeIDS a présenté une latence plus faible et des temps de réponse plus rapides (stabilisation dans les 0,65 s suivant le début de l'attaque) par rapport à AutoDRL-IDS. Les résultats de l'ANOVA ont confirmé que DeepEdgeIDS surpassait significativement AutoDRL-IDS en efficacité de latence ( $p < 0,05$ ).
Efficacité des Ressources :
- Énergie et Carbone : AutoDRL-IDS a démontré une meilleure efficacité énergétique et des émissions de carbone plus faibles, maintenant un profil stable adapté aux dispositifs contraints. DeepEdgeIDS a entraîné une surcharge CPU, énergétique et carbone agrégée plus élevée en raison de son adaptation en ligne continue et de son extraction de caractéristiques.
- CPU et Mémoire : AutoDRL-IDS a maintenu une utilisation CPU plus faible (~25 % contre ~35 % pour DeepEdgeIDS). Les différences d'utilisation de la mémoire n'étaient pas statistiquement significatives, les deux modèles restant dans des limites acceptables pour les passerelles de bord.
Significativité Statistique : Les tests ANOVA ont confirmé que la probabilité de détection supérieure et la latence de DeepEdgeIDS étaient statistiquement significatives, tandis que les différences de temps de réponse ne l'étaient pas. La taille de l'effet a indiqué que l'architecture du modèle était un facteur dominant dans l'efficacité de la détection.

Signification et Revendications
L'article revendique l'établissement d'une nouvelle référence pour la cybersécurité durable en démontrant que les IDS basés sur le DRL peuvent être optimisés non seulement pour la précision, mais aussi pour l'impact environnemental. L'étude met en évidence un compromis fondamental : DeepEdgeIDS offre une adaptabilité supérieure, une réponse plus rapide aux menaces zero-day et une précision de détection plus élevée au prix d'une consommation énergétique et carbone plus élevée. À l'inverse, AutoDRL-IDS fournit une solution plus économe en énergie, stable et prévisible, adaptée aux environnements aux ressources limitées où des données étiquetées sont disponibles pour l'entraînement.

Les auteurs affirment que leur travail comble un vide critique en allant au-delà de la simple précision de détection pour inclure la durabilité comme objectif d'optimisation central. Ils concluent que ces architectures font progresser le développement de cadres de sécurité auto-adaptatifs et durables pour les écosystèmes IoT de nouvelle génération, offrant une base pratique pour équilibrer précision, efficacité des ressources et robustesse dans les réseaux de bord dynamiques.