Apprentissage profond basé sur les modèles pour la gestion du risque cyber
30/06/2025 à 10h00
M. Marin FRANçOIS présente ses travaux en soutenance le 30/06/2025 à 10h00
À l'adresse suivante : Université Paris Dauphine - PSL- Place du Maréchal de Lattre de Tassigny 75016 Paris salle des thèses - D 520
En vue de l'obtention du diplôme : Doctorat en Informatique
La soutenance est publique
Titre des travaux
Apprentissage profond basé sur les modèles pour la gestion du risque cyber
École doctorale
École doctorale Dauphine SDOSE
Équipe de recherche
UMR 7243 - Laboratoire d'Analyse et de Modélisation de Systèmes d'Aide à la Décision
Section CNU
9 - Sciences et technologies de l'information et de la communication
Directeur(s)
Myriam MERAD
Membres du jury
| Nom | Qualité | Établissement | Rôle |
|---|---|---|---|
| Mme Myriam MERAD | Directeur de recherche | UNIVERSITE PARIS DAUPHINE - PSL | Directeur de these |
| M. Pierre-Emmanuel ARDUIN | Maître de conférences | Université Paris-Dauphine, PSL | Co-encadrant de these |
| Mme Sonia TOUBALINE | Maître de conférences | Université Paris-Dauphine, PSL | Examinateur |
| M. Benjamin COSTé | Ingénieur de recherche | Airbus Defense & Space | Examinateur |
| Mme Anne BARROS | Professeur des universités | CentraleSupélec | Rapporteur |
| M. Marc BOUISSOU | Ingénieur de recherche | Institut pour la Maîtrise des Risques (IMdR) | Examinateur |
| M. Pascale ZARATE | Professor | Université Toulouse Capitole | Président |
| M. Jean-Fabrice LEBRATY | Full professor | Université Lyon 3 | Rapporteur |
Résumé
Dans cette thèse, nous proposons une méthodologie et un outil d'aide à la décision pour la gestion des risques cyber. Nous utilisons les techniques d'apprentissage profond dites "basées sur les modèles" pour être en capacité d'apprendre, à partir d'un jeu de données restreint, la distribution des chaînes d'attaques probables au sein d'un réseau complexe, en fonction des caractéristiques de ce dernier. Le principal avantage de cette méthode par rapport aux systèmes experts pour la définition de scénario d'intrusion est sa robustesse, puisque les scénarios sont appris à partir de données observées selon un modèle agnostique et non de connaissances potentiellement biaisées. En contrepartie de ce gain de généralisation induit par l'utilisation d'apprentissage profond, notre modèle est cependant moins explicable qu'un système expert. Cet outil vient s'inscrire dans une méthodologie organisationnelle et standardisée de gestion du risque.