le 3 décembre 2025 à 14:00 à INRIA Lille
La prolifération des réseaux de cinquième génération (5G) est essentielle pour la société moderne, mais leur dépendance au spectre radiofréquence ouvert les rend vulnérables aux attaques par brouillage. Les méthodes de détection existantes manquent souvent de scalabilité, de rentabilité et de robustesse pour un déploiement à grande échelle, et leurs performances sont limitées par la rareté des données anomales nécessaires à l'entraînement de modèles d'apprentissage automatique fiables. Cette thèse aborde ces défis en proposant et en validant un framework complet et multi-étapes pour la caractérisation et la détection des comportements anormaux, progressant d'une détection robuste sur appareil à une intelligence collaborative et scalable. Premièrement, ce travail établit la faisabilité d'une approche agnostique du matériel, démontrant qu'une détection de brouillage robuste peut être réalisée en utilisant uniquement les journaux systèmes natifs des équipements utilisateurs (UE) et des stations de base commerciales. Un pipeline holistique de traitement et d'évaluation des données (SHIELD) est introduit, prouvant son efficacité contre des brouilleurs sophistiqués à modulation de puissance, là où les méthodes conventionnelles échouent. Deuxièmement, pour surmonter les limitations critiques de la rareté des données et de la faible généralisation des modèles, un réseau antagoniste génératif conditionnel (GANSec) est développé. Une nouvelle stratégie d'entraînement basée uniquement sur des données synthétiques améliore significativement la robustesse des détecteurs, permettant aux modèles de maintenir de hautes performances dans des conditions réseau inédites. Enfin, la solution est étendue à l'échelle du système grâce à un framework d'intelligence collaborative léger. Cette architecture s'appuie sur des rapports binaires minimalistes provenant d'une multitude d'UE, qui sont agrégés pour obtenir une connaissance situationnelle à l'échelle du réseau, incluant la cartographie de la zone brouillée et la localisation de la menace, avec une surcharge de communication minimale. Les résultats de cette recherche démontrent une solution de bout en bout, pratique et efficace, qui fait progresser l'état de l'art en matière de sécurité sans fil. Servant de composant fondamental au projet MLSysOps financé par l'UE, ce travail fournit les méthodologies de base pour un module de détection d'anomalies de réseau sans fil visant à garantir la résilience et la confiance dans les réseaux hétérogènes. En unifiant la collecte de données sur appareil avec des techniques d'apprentissage automatique avancées pour l'augmentation de données et la détection collaborative, cette thèse présente un paradigme scalable et résilient pour la défense des réseaux de nouvelle génération contre les menaces de la couche physique.
Mme Valéria LOSCRI Inria Directrice de thèse, M. Marcelo Dias DE AMORIN Sorbonne Université Rapporteur, M. Mališa VUčINIć Inria Rapporteur, M. Antoine GALLAIS INSA Hauts-de-France Examinateur, M. Romain ROUVOY Inria, Université de Lille, CNRS Co-directeur de thèse.
français
English