A TECHNOLOGICAL COMBINATION BETWEEN IOT AND MACHINE LEARNING FOR SMART APPLICATIONS

Abstract

The confluence of Machine Learning (ML) and the Internet of Things (IoT) promises transformative data-driven decision-making, yet presents formidable challenges in securing interconnected systems and optimizing resource-constrained environments. This dissertation develops and validates novel ML and Reinforcement Learning (RL) frameworks to address critical vulnerabilities in IoT cybersecurity and enhance sustainability in arid-region agriculture. Specifically, it introduces (1) an ML-based system employing feature disentanglement and adversarial training for robust detection of obfuscated malware; (2) an adaptive RL-driven intrusion detection system for general IoT networks, with a specialized, safety-prioritized extension for Medical IoT ecosystems; (3) a custom RL environment simulating arid-region agriculture, enabling the development of adaptive irrigation policies that optimize water conservation and crop yield; and (4) a hybrid RL-clustering methodology that enhances state representation and policy generalization in complex, non-stationary continuous control tasks. By unifying theoretical advancements with rigorous empirical validation, this research demonstrates the synergistic potential of ML and RL to fortify IoT security and promote sustainable agricultural practices. The proposed solutions offer scalable and resilient frameworks for intelligent systems operating in dynamic, resource-limited environments, contributing to a digitally interconnected and ecologically sustainable future. الملخص: يَعِدُ التقاء تعلم الآلة (ML) وإنترنت الأشياء (IoT) بإحداث تحول جذري في عملية صنع القرار القائمة على البيانات، ولكنه يطرح في الوقت ذاته تحديات هائلة في تأمين الأنظمة المترابطة وتحسين البيئات ذات الموارد المحدودة. تطور هذه الأطروحة وتتحقق من صحة أطر عمل جديدة لتعلم الآلة والتعلم المعزز (RL) لمعالجة نقاط الضعف الحرجة في الأمن السيبراني لإنترنت الأشياء وتعزيز الاستدامة في الزراعة في المناطق القاحلة. على وجه التحديد، تقدم الأطروحة (1) نظامًا قائمًا على تعلم الآلة يستخدم فك تشابك الميزات والتدريب العدائي للكشف القوي عن البرامج الضارة المخفية؛ (2) نظامًا تكيفيًا للكشف عن التسلل قائمًا على التعلم المعزز لشبكات إنترنت الأشياء العامة، مع امتداد متخصص يعطي الأولوية للسلامة للأنظمة البيئية لإنترنت الأشياء الطبية؛ (3) بيئة تعلم معزز مخصصة تحاكي الزراعة في المناطق القاحلة، مما يتيح تطوير سياسات ري تكيفية تعمل على تحسين الحفاظ على المياه ومحصول المحاصيل؛ و (4) منهجية هجينة تجمع بين التعلم المعزز والتجميع تعزز تمثيل الحالة وتعميم السياسة في مهام التحكم المستمر المعقدة وغير الثابتة. من خلال توحيد التطورات النظرية مع التحقق التجريبي الدقيق، يوضح هذا البحث الإمكانات التآزرية لتعلم الآلة والتعلم المعزز لتعزيز أمن إنترنت الأشياء وتشجيع الممارسات الزراعية المستدامة. تقدم الحلول المقترحة أطرًا قابلة للتطوير ومرنة للأنظمة الذكية التي تعمل في بيئات ديناميكية ومحدودة الموارد، مما يساهم في مستقبل مترابط رقميًا ومستدام بيئيًا.