Explainable AI for Zero-Day AttackDetection in IoTNetworks

dc.contributor.authorFLIFLA ,Youcef
dc.contributor.authorZAIM , AliTaha
dc.contributor.authorBOULKHIOUT , Youssef Supervisor
dc.date.accessioned2026-11-16T12:43:59Z
dc.date.issued2026
dc.description.abstractThis 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.sponsorshipCette 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.urihttps://repository.univ-setif.dz/handle/123456789/4290
dc.language.isoen
dc.publisherUnuversity Setif 1 Ferhat Abbas . Faculty of Sciences MAI/1160
dc.subjectZero-Day Attack Detection
dc.subjectIntrusion Detection Frameworktem
dc.subjectInternet of Things
dc.subjectDeep Learning
dc.subjectOpen-Set Recognition
dc.subjectExplainable Artificial Intelligence.
dc.titleExplainable AI for Zero-Day AttackDetection in IoTNetworks
dc.typeThesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
MAI1160.pdf
Size:
552.12 KB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description: