Les individus sont au cœur des Systèmes d'Information Individuels (SII), qui intègrent des éléments physiques personnels (appareils, capteurs) et des éléments numériques (services réseau, systèmes d'information) dans les activités de la vie quotidienne. Si les données physiques de l'utilisateur sont largement exploitées dans des mécanismes de sécurité tels que l'authentification biométrique ou la génération de clés cryptographiques, leur utilisation pour la détection d'intrusions reste largement inexplorée. Cette thèse étudie si l'intégration du contexte physique de l'utilisateur peut améliorer la détection d'intrusions réseau au sein des Systèmes d'Information Individuels.
Cette thèse présente d'abord une revue systématique de la littérature sur l'utilisation des données physiques de l'utilisateur en cybersécurité, mettant en évidence le manque de travaux consacrés à leur intégration dans les systèmes de détection d'intrusions. Sur cette base, un cadre de détection d'intrusions réseau sensible au contexte est proposé. Une première validation est réalisée à l'aide d'un jeu de données hybride combinant un trafic légitime collecté sur un smartphone Android réel et un trafic malveillant issu d'un jeu de données public. Afin d'évaluer l'approche proposée dans des conditions réalistes, une campagne de collecte de données à grande échelle menée auprès de vingt-trois participants pendant un mois a été réalisée. Le jeu de données multimodal obtenu regroupe à la fois le trafic réseau et le contexte physique des utilisateurs, constituant une base de référence réaliste pour la recherche en cybersécurité sensible au contexte.
Le cadre proposé est évalué à l'aide de méthodes d'apprentissage automatique supervisées et non supervisées. Les résultats montrent que l'intégration du contexte physique de l'utilisateur améliore les performances de la détection d'intrusions réseau par rapport à une approche fondée uniquement sur les caractéristiques réseau, en particulier pour la détection d'activités malveillantes discrètes. Cette thèse apporte ainsi quatre contributions principales : (i) une revue systématique des données physiques de l'utilisateur en cybersécurité ; (ii) un cadre de détection d'intrusions réseau sensible au contexte pour les SII ; (iii) un jeu de données multimodal réaliste ; et (iv) une évaluation expérimentale démontrant l'intérêt du contexte physique pour la détection d'intrusions réseau. |
Individuals are at the center of Individual Information Systems (IIS), which integrate personal physical elements (devices, sensors) and digital elements (network services, information systems) into everyday life. While user physical data have been widely exploited in security mechanisms such as biometric authentication or cryptographic key generation, their application to intrusion detection remains largely unexplored. In scenarios where a compromised device generates malicious network activities, user physical context may provide complementary evidence for distinguishing legitimate behavior from malicious activities. This thesis investigates whether incorporating user physical context can enhance network intrusion detection in Individual Information Systems.
This thesis first presents a systematic literature review on the use of user physical data in cybersecurity, identifying existing applications and revealing a lack of research on their integration into intrusion detection systems. Based on this research gap, a context-aware network intrusion detection framework is proposed. The framework is initially validated using a hybrid dataset combining benign traffic collected from a real Android smartphone with malware traffic from a public dataset. To evaluate the proposed approach under realistic conditions, a large-scale data collection campaign involving twenty-three participants over a one-month period is conducted. The resulting multimodal dataset captures both network traffic and user physical context from real smartphones, providing a realistic benchmark for context-aware cybersecurity research.
The proposed framework is evaluated using both supervised and unsupervised machine learning methods. Experimental results demonstrate that incorporating user physical context improves network intrusion detection performance compared with using network features alone, particularly for detecting stealthy malware activities. Overall, this thesis contributes (i) a systematic review of user physical data in cybersecurity, (ii) a context-aware network intrusion detection framework for Individual Information Systems, (iii) a realistic multimodal dataset, and (iv) an experimental evaluation demonstrating the effectiveness of user physical context for network intrusion detection. |