Explainable AI for Zero-Day AttackDetection in IoTNetworks
| dc.contributor.author | FLIFLA ,Youcef | |
| dc.contributor.author | ZAIM , AliTaha | |
| dc.contributor.author | BOULKHIOUT , Youssef Supervisor | |
| dc.date.accessioned | 2026-11-16T12:43:59Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | This thesis presents two deep learning IDS architectures for zero-day attack detection on the Edge-IIoTset dataset (2.2M samples, 15 attack classes, 6 held out for zero-day evaluation). The first, a Cascaded Hierarchical IDS, uses a residual MLP with contrastive and focal loss, Mahalanobis distance in a 64‑D embedding, and score fusion. It achieves 86.64% zero-day recall at 13.00% FPR, F1=0.8654, and 86.86% known‑attack accuracy. The second, a Hybrid CNN‑Based IDS with feature attention and triplet loss, uses Euclidean centroid distances. It achieves 81.02% zero-day recall at 11.09% FPR, F1=0.8418, and 90.94% known‑attack accuracy. Both Frameworktems include multi‑stage explainability (SHAP, Integrated Gradients). Cross‑Frameworktem SHAP reveals the same ten globally important features; Integrated Gradients shows unique anomaly signatures per zero‑day class. | |
| dc.description.sponsorship | Cette thèse présente deux architectures IDS à apprentissage profond pour la détection d’attaques zero‑day sur le jeu de données Edge-IIoTset (2,2 millions d’échantillons, 15 classes d’attaque, dont 6 réservées pour l’évaluation zero‑day). La première, un IDS hiérarchique en cascade, utilise un MLP résiduel avec pertes contrastive et focal, une distance de Mahalanobis dans un espace de plongement 64‑D, et une fusion de scores. Elle atteint 86,64% de rappel zero‑day à 13,00% de FPR, F1=0,8654 et 86,86% de précision sur les attaques connues. La seconde, un IDS hybride à CNN avec module d’attention et perte triplet, utilise des distances euclidiennes aux centroïdes. Elle obtient 81,02% de rappel zero‑day à 11,09% de FPR, F1=0,8418 et 90,94% de précision sur les attaques connues. Les deux Frameworktèmes intègrent une explicabilité multi‑étape (SHAP, Integrated Gradients). L’analyse SHAP croisée révèle les dix mêmes caractéristiques globalement importantes ; Integrated Gradients montre des signatures d’anomalie uniques par classe zero‑day.. | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/4290 | |
| dc.language.iso | en | |
| dc.publisher | Unuversity Setif 1 Ferhat Abbas . Faculty of Sciences MAI/1160 | |
| dc.subject | Zero-Day Attack Detection | |
| dc.subject | Intrusion Detection Frameworktem | |
| dc.subject | Internet of Things | |
| dc.subject | Deep Learning | |
| dc.subject | Open-Set Recognition | |
| dc.subject | Explainable Artificial Intelligence. | |
| dc.title | Explainable AI for Zero-Day AttackDetection in IoTNetworks | |
| dc.type | Thesis |
