Thèse Algorithmes d'Apprentissage Automatique en Ligne pour une Cyberdéfense Optimale dans les Grands Réseaux H/F - 84

Établissement : Avignon Université
École doctorale : Agrosciences et Sciences
Laboratoire de recherche : LIA - Laboratoire d'Informatique d'Avignon
Direction de la thèse : Yezekael HAYEL ORCID 0000000338913916
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-08T23:59:59

Ce projet de thèse vise à répondre à cette problématique en proposant des algorithmes efficaces, s'appuyant sur des techniques récentes d'apprentissage automatique (comme les marches aléatoires contrôlées combinées à l'apprentissage par renforcement). L'objectif est de développer des méthodes capables de détecter automatiquement les points faibles d'un réseau, même à grande échelle, afin de renforcer sa résilience face aux cybermenaces.

Les cyberattaques deviennent de plus en plus fréquentes et sophistiquées, rendant l'automatisation des stratégies de défense une priorité absolue. Pour relever les défis liés à cette automatisation, une approche centrée sur l'optimisation s'avère particulièrement prometteuse.
L'estimation des propriétés spectrales de grands graphes est un sujet d'actualité dans les communautés de l'informatique, des sciences des réseaux et de l'apprentissage automatique. En effet, la connectivité des réseaux à grande échelle est essentielle pour étudier leur performance et leur résilience face aux cyberattaques. Cette compréhension est notamment cruciale dans le cadre des réseaux superposés (overlay networks) et des réseaux sans fil ad hoc.

Des algorithmes d'apprentissage automatique basés sur la méthode de la puissance itérée (power iteration) ou sur le quotient de Rayleigh ont été utilisés pour estimer les propriétés spectrales des graphes. Lorsque la structure du graphe est inconnue, ces techniques ont récemment été couplées à une exploration par marche aléatoire. Dans un contexte de cybersécurité, identifier les noeuds et les liens vulnérables d'un réseau est primordial : ces faiblesses structurelles peuvent en effet être exploitées pour mener des cyberattaques réussies. Cependant, dans les grands réseaux, cette identification s'avère particulièrement complexe.