CONTEXTE:
Vous travaillerez dans le programme CYBELIA, au sein du chantier 2 : SOCRATES consacré à l'analyse avancée des données de sécurité, à la détection et au triage pour les opérateurs SOC. Le programme vise des solutions de cybersécurité augmentée adaptées aux contraintes industrielles. Page du programme : https://www.irt-systemx.fr/programme-cybelia-cybersecurite-augmentee-pour-lindustrie/
Objectifs du stage : concevoir une méthode capable de corréler des alertes, des journaux système et des événements réseau afin de reconstruire des incidents cohérents, y compris lorsque plusieurs attaques se chevauchent dans un flux bruité.
Question scientifique : comment apprendre une représentation commune de télémétries hétérogènes et regrouper en ligne les événements liés à un même incident sans dépendre uniquement d'une fenêtre temporelle fixe ?
Missions :
- Réaliser un état de l'art sur le regroupement d'alertes, l'apprentissage auto-supervisé sur les logs, les graphes temporels et la reconstruction de chemins d'attaque.
- Normaliser et aligner les sources disponibles dans SOCRATES, puis apprendre des représentations d'événements exploitant le contenu, la source, le temps et les entités concernées.
- Construire un graphe temporel multi-source, proposer un algorithme de regroupement en ligne et produire pour chaque groupe un mini-graphe d'incident lisible par un analyste.
- Évaluer la méthode sur des scénarios AIT-ADS et AIT-LDS avec des séparations chronologiques et inter-scénarios, puis la comparer à des fenêtres temporelles, à un clustering classique et aux baselines SOCRATES.
Résultats attendus : pipeline reproductible, méta-alertes et graphes d'incident. L'évaluation portera sur la pureté et la couverture des groupes, ARI ou NMI, la réduction du nombre d'objets à examiner, la latence et la robustesse au bruit et aux attaques simultanées.
Références bibliographiques : 1) L. Karner et al., AlertBERT A noise robust alert grouping framework for simultaneous cyber attacks, arXiv:2602.06534, 2026. 2) B. Jiang et al., ORTHRUS Achieving High Quality of Attribution in Provenance based Intrusion Detection Systems, USENIX Security 2025.
PROFIL ET COMPETENCES:
De formation : Bac +5, dernière année d'école d'ingénieur ou Master 2 en informatique, cybersécurité, science des données ou intelligence artificielle.
Compétences souhaitées :
• Python, traitement de données et manipulation de logs ; connaissance de pandas, scikit-learn ou PyTorch.
• Bases solides en apprentissage automatique ; un intérêt pour les graphes, le traitement séquentiel ou la détection d'anomalies est apprécié.
• Connaissances en cybersécurité, SIEM, MITRE ATT&CK ou analyse réseau, et capacité à lire des articles scientifiques en anglais.
Aptitudes personnelles :
• Rigueur expérimentale et esprit critique.
• Autonomie, curiosité et goût pour la recherche appliquée.
• Capacité à expliquer clairement une méthode et ses limites.