Ralph KARAM : "Détection automatique d’anomalies de données métiers avec deep learning et application au protocole ADS-B"

Résumé : L'utilisation du Machine Learning (ML) et du Deep Learning (DL) pour la détection des anomalies de sécurité est un sujet extrêmement actif. La détection d'anomalies s'applique à de nombreux domaines, à savoir le contrôle du trafic aérien, l'IoT, etc. L'une des principales technologies de contrôle du trafic aérien est le protocole ADS-B (Automatic Dependent Surveillance-Broadcast). Il constitue une source de données de contrôle du trafic aérien basée sur le positionnement par satellite. Chaque avion envoie périodiquement via des messages ADS-B ses informations aux stations au sol et aux autres avions. L'ADS-B devient obligatoire dans le monde entier, mais il n'intègre pas des mesures de sécurité comme le cryptage et l'authentification, ce qui le rend vulnérable à l'injection de fausses données. Une façon de s'attaquer à ce problème est la détection d'anomalies ADS-B basée sur des approaches de ML et DL. La détection supervisée des anomalies ADS-B a été le point central de cette thèse en raison de son avantage en termes de performance par rapport aux méthodes non supervisées. Cependant, une approche supervisée suppose d'avoir des données labellisées. Afin d'obtenir suffisamment d'anomalies labellisées et de données normales, un générateur de fausses données a été utilisé. A notre connaissance, cette thèse est le seul travail qui a utilisé la détection supervisée d'anomalies ADS-B. Notre approche a donné des résultats très prometteurs dans la détection de différents types d'attaques. Les meilleures performances ont été obtenues en utilisant un modèle Long Short-Term Memory (LSTM). Comme contribution secondaire, différentes approches de ML et DL ont été étudiées afin de prévoir les niveaux de bruit et de détecter des anomalies ponctuelles de niveau de bruit. Les données sont issues d'un système IoT et plus précisément d'un réseau de parcmètres. Les résultats obtenus ont permis de déduire que de telles méthodes, de préférence un hybride 1D combinant réseau de neurones convolutionnels et Long Short-Term Memory (CNN-LSTM), peuvent être utilisées avec succès dans les applications de surveillance du bruit environnemental.

Composition du jury :

Michel SALOMON, Maître de conférences, Université Bourgogne Franche-Comté, Directeur de thèse

Sylvain CONTASSOT-VIVIER, Professeur des universités, Université de Lorraine, Examinateur

Raphaël COUTURIER, Professeur des universités, Université Bourgogne Franche-Comté, Examinateur

Stéphane CHRÉTIEN, Professeur des universités, Université Lumière Lyon 2, Rapporteur

Flavien VERNIER, Maître de conférences, Université Savoie Mont Blanc, Rapporteur

Localisation : IUT Belfort-Montbéliard Site Belfort Techn’hom 19 avenue du Maréchal Juin BP 527 90016 BELFORT Cedex - salle salle 108 du bâtiment E - Informatique