La convergence des technologies d’accès sans fil Wi-Fi et 5G, introduit de nouveaux défis de sécurité au niveau de la couche d’accès au réseau. Cette convergence entraînera le déploiement de systèmes de détection d’intrusions IDS devant opérer sous de fortes contraintes de performance et de ressources. Bien que les méthodes de détection basées sur l’Intelligence Artificielle (IA) se répandent, leur efficacité dans les environnements sans fil industriels, en particulier les réseaux Wi-Fi, reste limitée à cause de lacunes dans l’évaluation, la représentation des caractéristiques et l’architecture de ces systèmes.
Cette thèse étudie ces défis à travers une revue des mécanismes de détection d’intrusion dans les réseaux sans fil, avec un accent particulier sur le Wi-Fi en tant qu’élément clé de la convergence entre les réseaux Wi-Fi et 5G. Une analyse comparative des méthodes de détection existantes dans la littérature met en évidence la prédominance des approches fondées sur l’apprentissage, tout en identifiant des lacunes majeures qui freinent leur adoption dans des contextes opérationnels.
Pour répondre à ces défis, ce travail propose d’abord un cadre d’évaluation multicritère permettant d'introduire des dimensions complémentaires de la performance de détection, notamment la complexité de calcul et l’incertitude. Sur la base de ce cadre, une méthode de sélection de compromis fondée sur la méthode de Pareto est appliquée afin de guider la sélection de configurations optimales selon des critères conjoints de sécurité, d’efficacité et de fiabilité.
Ensuite, une méthode de sélection d'attributs hybride, fondée sur l’information mutuelle et un test d’indépendance de Chi² pondéré, est introduite pour dériver un ensemble compact de caractéristiques, compatible avec la norme IEEE 802.11, destiné à la détection efficace des attaques de la couche liaison de données. Les résultats expérimentaux montrent que des caractéristiques judicieusement sélectionnées réduisent significativement la complexité des algorithmes et permettent à des modèles de détection peu profonds de surpasser des architectures plus profondes dans des conditions équivalentes.
Enfin, l’ensemble de caractéristiques retenues est intégré au sein d’une architecture de détection d’intrusion basée sur l’apprentissage fédéré destinée à être déployée en périphérie du réseau. La solution proposée offre une forte capacité de généralisation et une précision de détection élevée sur des dispositifs à ressources hétérogènes. Elle assure la confidentialité, prend en charge l’adaptabilité au dynamisme des réseaux sans fil et maintient une faible consommation de ressources.
Dans leur ensemble, les contributions de cette thèse proposent une approche de bout en bout pour la détection d’intrusion basée sur l’IA dans les réseaux Wi-Fi industriels, et établissent les bases d’une détection d’intrusion sûre, évolutive et interopérable dans les futurs environnements convergents Wi-Fi/5G.