2. Conception de la solution
2.1. Architecture de la solution
Pour pouvoir atteindre notre objectif, nous proposons une
solution qui devrait être déployé sur une passerelle ou
n'importe quel équipement qui servirait de passerelle aux objets
connectés tel qu'on peut le voir sur la figure ci-dessous. Cette
passerelle représente la frontière entre le réseau
privé que forment les objets connectés et le réseau
public.
Nous avons pris le réseau domotique comme notre
réseau de choix cependant, notre approche est devrait donner sur tous
les réseaux informatiques avec une portée de quelques dizaines de
mètres. Le travail que nous avons effectué ne fonctionne qu'avec
Linux car cela nous donne la possibilité d'accéder au kernel sans
droit spécial d'utilisation parce que ce n'est pas un système
propriétaire.
Figure 17 :
Architecture du réseau interne vers le réseau externe
La figure 17 nous présente plus
clairement le rôle de frontière joué par la passerelle.
Nous suggérons qu'il y aura un réseau interne où seront
connectés les objets à la passerelle qui servira de limite entre
2 réseaux et le réseau externe dont nous voulons surtout limiter
la communication avec le réseau d'objets connectés. C'est donc au
niveau de la passerelle, qu'il y aura toutes les opérations de
traitement et d'inspection des paquets. Elle s'occupera de surveiller les
paquets, les analyser et prendre des décisions. Tout le trafic du
réseau domotique vers internet devra passer par elle pour assurer une
bonne sécurité. Que ce soit le trafic venant du réseau
interne ou le trafic venant du réseau externe, tout doit être
inspecté.
Figure 18 : Architecture de la
solution
Pour prendre des décisions,
notre programme se base sur les résultats des modèles de
prédictions d'apprentissage profond et ensuite décide ce qu'il
faut faire d'un paquet ou pas comme nous le voyons sur la figure 18. Notre
modèle devrait faciliter le travail du pare-feu en prenant les
décisions de rejeter un paquet ou de l'accepter en fonction des
prédictions c'est-à-dire de la nature du paquet. Et permettre
à un administrateur de connaître les objets connectés de
son réseau toujours grâce aux modèles de d'apprentissage
profond.
Figure 19 : modèle
d'apprentissage profond pour prédire le trafic bénin ou
malicieux
Les figures 19 et 20 nous
présentent les étapes avant la prédiction. Tout d'abord il
nous faut collecter les données et extraire les attributs dont nous
avons besoin. Ensuite nous les pré traitons pour obtenir des
données compréhensibles par le modèle qui va pouvoir
prédire.
Figure 20 : Architecture du
modèle d'identification des objets grâce à l'apprentissage
profond
Ce sont les données
utilisées ainsi que l'objectif de prédiction qui
différencient les deux algorithmes. Ici nous ne visons pas à
protéger un objet en particulier. De ce fait, nous nous concentrons
plutôt sur les types d'attaques qui s'appuient sur les failles dont elles
sont victimes.
| 
