Encadrements

L’intégration de la technologie blockchain au sein des réseaux de l’Internet des Objets (IoT) constitue une piste prometteuse pour renforcer la sécurité et la fiabilité de la traçabilité logistique. Néanmoins, les algorithmes de consensus traditionnels, tels que le Proof of Work (PoW) ou le Practical Byzantine Fault Tolerance (PBFT), montrent rapidement leurs limites face aux contraintes de ressources propres aux objets connectés. Dans ce contexte, nous avons proposé un nouveau mécanisme de consensus, dénommé PoEWAL-LT (Proof of Elapsed Work and Luck for Logistics Traceability), spécialement conçu pour les environnements IoT appliqués à la logistique. Ce mécanisme repose sur un score de travail adaptatif intégrant à la fois la fiabilité des nœuds et la criticité des événements logistiques. Contrairement aux approches classiques existantes (PoW, PoS, PoBT, etc.), PoEWAL-LT introduit une validation sémantique proactive permettant la détection d’anomalies logistiques, telles que les incohérences de localisation GPS ou les ruptures de la chaîne du froid. Les expérimentations menées à l’aide du simulateur Contiki-Cooja mettent en évidence les performances de la solution proposée, avec une latence de consensus réduite à 1,2 seconde, une consommation énergétique moyenne limitée à 5,36 joules par transaction, ainsi qu’un mécanisme efficace de détection des nœuds byzantins fondé sur une analyse multicritère. Ces résultats démontrent qu’il est possible de concilier sécurité cryptographique, efficacité énergétique et résilience opérationnelle dans les systèmes de traçabilité logistique basés sur la blockchain et l’IoT.

Dans ce mémoire de fin d’étude, intitulé « Les attaques possibles sur l’intelligence artificielle générative », explore les vulnérabilités et menaces associées aux modèles d’IA générative (tels que les LLM, les diffusions, les GANs, les VAEs, etc.), notamment les Large Langage Modèles (LLM) comme GPT. Il effectue une analyse sur le développement rapide de l'IA générative, sur son impact croissant dans divers domaines et tout en mettant en lumière les risques liés à son utilisation tels que les attaques par injection de prompt, l’empoisonnement des données, l’extraction de modèles, etc. Ce mémoire commence par une étude approfondie de l’évolution de l’intelligence artificielle, en passant par l’apprentissage automatique et l’apprentissage profond, avant de se concentrer sur les architectures des modèles génératifs. Il détaille le fonctionnement des modèles d’IA génératives tels que : GAN (Generative Adversarial Networks), des Autoencodeurs Variationnels (VAE), des modèles de diffusion, Hybrides, etc. qui permettent de générer du contenu textuel, visuel et sonore avec une qualité impressionnante. Ce mémoire met en lumière l’importance du prompt engineering en présentant à la fois des techniques de base (Zero-shot, One-shot, Few-shot) et des approches avancées (Chain-Of-Thought, Meta Prompting, RAG, etc.) pour renforcer la robustesse des modèles d’IA génératives. Il présente l’architecture des modèles d’IA générative, c’est-à-dire les Transformers, reposant sur un mécanisme d’auto- attention. Ce mécanisme traite les mots en relation avec tous les autres mots d’une phrase, à contrario aux méthodes traditionnelles qui analysent pas à pas. Enfin, le mémoire met l’accent sur les attaques et défenses liées à l’IA générative. Il classifie différentes techniques d’attaques (modification malveillante des données d’entraînement, détournement des réponses de l’IA, extraction de connaissances du modèle, etc.) et propose des stratégies d’atténuation pour protéger les systèmes basés sur l’IA générative. Un cas pratique est également présenté, illustrant une attaque par injection de prompt sur un Chatbot conversationnel, avec des solutions techniques pour détecter et atténuer ces menaces. De plus, ce mémoire insiste sur la nécessité d’un encadrement rigoureux et d’une approche critique dans l’utilisation de ces technologies afin de prévenir les usages malveillants, tout en encourageant la recherche de solutions innovantes pour sécuriser l’IA générative dans des environnements de production.

Ce mémoire explore l'utilisation de l'apprentissage automatique pour améliorer l'allocation des ressources dans les réseaux 5G. Après un rappel de l'évolution des réseaux mobiles de la 1G à la 5G, il met en évidence les limites de la 4G face aux exigences actuelles : faible latence, forte densité de connexions et réduction de la consommation énergétique. La 5G, conçue pour répondre à ces besoins, s'appuie sur des technologies comme le SDN et la NFV pour rendre les réseaux plus flexibles et intelligents. L'étude montre que le machine learning permet d'optimiser la gestion dynamique des ressources, en anticipant la charge, adaptant l'allocation et répondant aux besoins des différents services 5G (eMBB, URLLC, mMTC). Trois modèles sont testés : régression linéaire, régression polynomiale et forêt aléatoire. Leur entraînement et évaluation sont réalisés sur un jeu de données réel. L'analyse des résultats confirme l'intérêt de ces approches pour améliorer la performance réseau. Ce travail met en avant l'intégration prometteuse du machine learning dans la gestion automatisée des réseaux 5G, et ouvre la voie à l'utilisation de techniques plus avancées comme le deep learning dans les futurs développements.

Le vote constitue un acte essentiel de citoyenneté au sein d’une démocratie. Tout au long de l’histoire moderne, les différentes institutions chargées d’organiser les élections ont identifié plusieurs dysfonctionnements dans leurs systèmes de vote, tels que la perte de bulletins ou le vote de personnes non inscrites sur les listes électorales. Ces problèmes entraînent souvent des résultats contestés. Le vote constitue une pierre angulaire de l’exercice de la citoyenneté au sein d’une démocratie. À travers l’histoire moderne, les intuitions chargées de l’organisation des élections faisaient généralement face à des défaillances dans leurs systèmes électoraux, telles que la perte de bulletins ou la participation de personnes non inscrites sur les listes électorales. Ces anomalies peuvent conduire à des résultats discutés. L’apparition du vote électronique (machine) est venue pour répondre au besoin d’un système de plus de transparence et crédible. Cependant, la présence de certaines failles rend ce système difficilement adaptable à une utilisation sur Internet, principalement en raison du faible niveau de sécurité lié au chiffrement des votes. Les systèmes de vote en ligne sont alors apparus pour répondre à cette attente. À travers donc cette étude, nous avons proposé un système de vote électronique web. Cette étude permettra aussi d’étudier les questions de confidentialité, de vérifiabilité et d’incoercibilité d’un vote de système électronique.

Le développement constant d'appareils informatiques interdépendants et l'émergence de nouvelles technologies de réseau ont entraîné une croissance spectaculaire du nombre d'appareils Internet des objets (IoT). Il a fourni une grande commodité à la vie des gens où ses applications ont été utilisées pour révolutionner les objets du quotidien connectés dans différents aspects de la vie tels que la maison intelligente, les soins de santé, les transports, l'environnement, l'agriculture et l'armée. Cette interconnectivité des objets IoT s'effectue via des réseaux sur une infrastructure cloud centralisée qui n'est pas limitée aux frontières nationales ou juridictionnelles. Il est crucial de maintenir la sécurité, la robustesse et l’authentification sans confiance pour garantir un échange sécurisé des données utilisateur critiques entre les objets IoT. Par conséquent, la technologie blockchain est récemment apparue comme une solution viable pour offrir des fonctionnalités aussi importantes. La décentralisation sécurisée de la blockchain peut surmonter les limites de sécurité, d'authentification et de maintenance de l'écosystème IoT actuel. Dans cet article, nous effectuons une analyse documentaire complète pour relever les défis récents en matière de sécurité et de confidentialité liés à l'IoT, où ils sont classés en fonction de l'architecture en couches de l'IoT : perception, réseau et couche d'application. De plus, nous étudions la technologie blockchain comme un pilier clé pour surmonter de nombreux problèmes de sécurité et de confidentialité de l'IoT. De plus, nous explorons la technologie blockchain et ses valeurs ajoutées lorsqu'elle est combinée avec d'autres nouvelles technologies comme l'apprentissage automatique, en particulier dans les systèmes de détection d'intrusion. De plus, nous soulignons les défis et les problèmes de confidentialité résultant de l'intégration de la blockchain dans les applications IoT. Enfin, nous proposons un cadre d'exigences de sécurité et de confidentialité IoT via la technologie blockchain. Notre principale contribution est d'épuiser la littérature pour mettre en évidence les problèmes récents de sécurité et de confidentialité de l’IoT et comment la blockchain peut être utilisée pour surmonter ces problèmes, néanmoins ; nous relevons les défis et les problèmes de sécurité ouverts que la blockchain peut imposer aux systèmes IoT actuels. Les résultats de la recherche formulent une base rigide sur laquelle une adoption efficace et sécurisée de l'IoT et de la blockchain est mise en évidence en conséquence.

Avec l’émergence rapide de l’Internet des Objets (IoT), la protection des données échangées par des dispositifs aux ressources limitées devient une préoccupation majeure. Ce mémoire se concentre sur l’amélioration de la confidentialité des données dans les réseaux IoT en adoptant des algorithmes de cryptographie légère adaptés aux contraintes spécifiques de ces environnements. Plus précisément, nous avons étudié l’algorithme PRINCE, connu pour sa légèreté et sa rapidité, et proposé une version améliorée pour accroître sa robustesse face aux attaques différentielles. Le travail s’articule autour de trois axes principaux : une étude approfondie des algorithmes existants de cryptographie légère, la conception d’une architecture améliorée de PRINCE, et la mise en œuvre pratique d’une solution de chiffrement de flux vidéo en temps réel. À travers des tests de résistance et une intégration dans un environnement réseau, les résultats obtenus démontrent l’efficacité et la pertinence de notre approche. Ce mémoire apporte ainsi une contribution significative à la sécurisation des données dans les réseaux IoT tout en respectant les contraintes de performance et de ressources.

Avec la digitalisation croissante des services, la sécurité des applications web est devenue une priorité pour les entreprises. Ce mémoire, réalisé dans le cadre d'un stage à Volkeno, étudie les vulnérabilités de l'application Easy Compta et propose des mécanismes de protection adaptés.Exposée à diverses menaces répertoriées dans l' OWASP Top 10 (injection SQL, XSS, failles d'authentification), l'application a été analysée à travers des tests d'intrusion et l'utilisation d' outils spécialisés . Les résultats ont permis d'implémenter des solutions de sécurisation telles que le renforcement de l'authentification, la validation des entrées utilisateur et l'intégration de mécanismes de surveillance . Ce travail souligne l'importance d'une approche proactive en cybersécurité et de l'adoption de bonnes pratiques pour renforcer la sécurité des applications web.

La gestion des déchets est un enjeu environnemental, sociétal et économique majeur, avec une production de déchets en constante augmentation due à l'urbanisation, la croissance démographique et les habitudes de consommation. Une mauvaise gestion des déchets a des impacts négatifs sur l'environnement, la santé publique et l'économie. Au Sénégal, par exemple, la gestion des déchets pose un défi important, avec des millions de tonnes de déchets produits annuellement. Dans ce domaine, la détection d’objet a connu un grand succès suite aux progrès de l'apprentissage profond (Deep Learning) considéré comme l’outils le plus puissant pour répondre au défi de la gestion responsable des déchets. Dans cette optique, nous avons développé un système automatique visant à détecter efficacement les types de déchets (carton, plastique, métal) en exploitant les réseaux du Deep Learning par l'utilisation des techniques d'apprentissage par transfert pour une meilleure performance et un temps de calcul raisonnable. Nous avons proposé deux approches sur la base des réseaux de neurones convolutifs et des Transformers, que sont respectivement les modèles YOLO11 et RT-DETR entrainés sur la base de données COCO. Nous avons mené nos expériences sur la base de données ZeroWaste composé de 4503 images. Les résultats obtenus se sont révélés satisfaisants avec une précision maximale sur les bounding box de 43% et une Précision moyenne (mAP) améliorée de 17,68%.

La corrélation des événements informatiques automatise le processus d’analyse des événements de l’infrastructure informatique et d’identification des relations qu’ils entretiennent pour détecter les problèmes et découvrir leur cause profonde. Un outil de corrélation d’événements peut aider les organisations à superviser plus efficacement leurs systèmes et leurs applications tout en améliorant leur disponibilité et leurs performances. Les infrastructures IT d’entreprise génèrent d’énormes volumes de données dans divers formats. Ces données sont produites par des serveurs, des bases de données, des machines virtuelles, des appareils mobiles, des systèmes d’exploitation, des applications, des capteurs et bien d’autres composants réseau. Un événement est un élément de données qui fournit des informations sur un changement d’état survenu au sein de cette infrastructure . Un bon nombre de ces événements sont normaux et bénins, mais certains traduisent un problème au sein de l’infrastructure. Ce mémoire porte sur l’Evaluation d’un modèle d’intelligence artificielle pour la corrélation d’événements afin de répondre à ce problème. Un logiciel de corrélation des événements informatiques importe les données d’infrastructure et utilise le machine learning pour identifier des modèles et des relations, ces techniques permettent de localiser et de résoudre plus facilement les incidents et les interruptions, de superviser les performances et d’améliorer la disponibilité et la stabilité de l’infrastructure. Le but de ce mémoire est de faire une généralité sur les logs, sur l’IA, sur les SIEM ainsi que la mise en place d'une solution adapté aux besoins de l'entreprise.

L’Internet des Objets (IoT) connaît une croissance rapide avec la prolifération d’appareils connectés générant en continu un volume considérable de données. Cependant, cette expansion s’accompagne de nouvelles vulnérabilités et d’un risque accru d’attaques et d’anomalies. Ce travail de recherche s’inscrit dans le cadre de la sécurisation des réseaux IoT à travers la détection et la classification intelligente des anomalies en s’appuyant sur des techniques d’apprentissage automatique. Une approche expérimentale a été menée à partir de deux jeux de données : IoT Network et UNSW-NB15, permettant d’évaluer plusieurs modèles de classification. Quatre algorithmes ont été utilisés pour la détection binaire des anomalies : Decision Tree, Random Forest, AdaBoost et Réseau de Neurones Artificiel (ANN). Pour la classification multi-classe (identification du type d’attaque), les modèles Decision Tree, Random Forest, KNN et ANN ont été comparés. Les résultats obtenus montrent que l’algorithme AdaBoost offre les meilleures performances pour la détection binaire, tandis que le modèle Random Forest se distingue pour la classification multi-classe avec une précision de 100 % sur IoT Network et 99 % sur UNSW-NB15. Enfin, l’intégration de ces modèles dans une Fog Computing architecture est proposée afin d’améliorer la rapidité, la confidentialité et la résilience de la détection d’anomalies au sein des réseaux IoT.

Les attaques par déni de service distribué (DDoS) constituent une menace majeure pour la disponibilité des services internet, perturbant considérablement les systèmes en ligne et causant des pertes financières et de réputation aux organisations. La détection précoce de ces attaques est cruciale pour permettre une réponse rapide et efficace, minimisant ainsi leur impact. Ce mémoire propose une étude approfondie des différentes techniques de détection d'attaques DDoS, en mettant particulièrement l'accent sur les approches basées sur l'intelligence artificielle (IA) et l'apprentissage automatique (Machine Learning). Après une analyse des méthodes existantes, une solution innovante de détection précoce est développée en utilisant des algorithmes de classification appliqués à un jeu de données représentatif, tel que le CIC-DDoS2019. La méthodologie adoptée inclut le prétraitement des données, la sélection des caractéristiques pertinentes et l'entraînement de modèles prédictifs tels que Random Forest, SVM et Decision Tree. Les performances du système sont évaluées à travers des métriques standard (précision, rappel, score F1) et comparées aux solutions existantes. Les résultats obtenus démontrent que la solution proposée permet de détecter efficacement les attaques DDoS avec un taux de précision élevé, tout en réduisant le nombre de faux positifs. Cette approche offre une alternative robuste pour renforcer la sécurité des infrastructures réseau et contribuer à la résilience des services internet face aux menaces croissantes. En conclusion, cette étude apporte une contribution significative à la lutte contre les cyberattaques en proposant une solution proactive de détection précoce. Des pistes d'amélioration, notamment l'intégration de techniques avancées de Deep Learning, sont également envisagées pour renforcer davantage la solution dans des environnements de production.

Ce mémoire s’inscrit dans le cadre des recherches sur le déploiement des réseaux mobiles de cinquième génération (5G) et vise à concevoir et implémenter un outil de dimensionnement et de planification adapté à cette technologie. La 5G, avec ses caractéristiques avancées telles que des débits élevés, une latence faible et une connectivité massive, représente une avancée significative dans l’évolution des réseaux mobiles. Dans un premier temps, nous avons exploré les généralités sur la 5G, en retraçant l’évolution des générations précédentes de réseaux mobiles et en mettant en évidence les fondements théoriques et technologiques qui sous-tendent la 5G. Ce chapitre pose les bases nécessaires à la compréhension des exigences et des spécificités de cette technologie émergente. Le second chapitre se concentre sur le dimensionnement des réseaux 5G. Il détaille les scénarios de déploiement, les modèles de propagation, ainsi que les processus et paramètres essentiels pour optimiser la couverture et les performances du réseau. Une attention particulière est accordée aux défis liés au choix des bandes de fréquences, au bilan de liaison, et à la répartition des stations de relais dans les zones à couvrir. Enfin, le troisième chapitre est dédié à la conception et à l’implémentation d’un outil pratique pour le dimensionnement et la planification de la 5G. Après avoir défini les besoins fonctionnels et non fonctionnels, une analyse technique a été menée pour choisir les équipements et technologies adaptés. L’outil développé intègre des fonctionnalités telles que le calcul de pertes de chemin, l’estimation du nombre de stations relais nécessaires, et la simulation du déploiement sur des zones spécifiques.