Les services de mobilité connectée coopérative et automatisée (CCAM) dans des sites logistiques de chargement/déchargement de centenaires reposent en partie sur 1) la perception de l’environnement, 2) le traitement des données pour la compréhension de la scène et 3) la décision de la manœuvre à entreprendre et l’assistance à la conduite automatisée. Dans notre cas d’usage, l’étape 1) est exécutée localement au niveau des véhicules, des utilitaires et/ou de l’infrastructure. L’étape 2) peut être exécutée en partie en local et sur des serveurs de proximités (Edge). L’étape 3) est exécuté sur le serveur qui envoie sa consigne de manœuvre aux véhicules automatisés. L’architecture fonctionnelle et physique du système reste vulnérable aux attaques adverses générées par l’Intelligence Artificielle. Afin de pouvoir déployer les mesures de sécurités nécessaires et les systèmes de détection d’anomalie efficaces au niveau de certaines composantes critiques de l’architecture de gestion du site logistique, il est important d’explorer et de comprendre les nouvelles attaques qui peuvent nuire à cette architecture.
Objectifs:
Les approches de détection d’anomalie basées sur ML/IA souffrent dans certains cas de limites telleques le déséquilibre des classes, l’insuffisance des données, l’évolution constante des attaques, etc. Pour cela, les réseaux d’attaques génératifs (Generative Adversarial Networks) semblent une solution prometteuse pour palier à ces limites. Dans le cadre du stage, l’utilisation des GAN a deux objectifs
- L’entrainement de modèle d’apprentissage adverse pour la perception issue de l’infrastructure qui gère le site logistique dans le but de robustifier le système de détection d’anomalie
- La génération de scénarios structurés d’attaques adverses et le « pen-testing » pour l’assistance de véhicule automatisé dans les sites de logistique
Missions
- Comparer plusieurs solutions de GAN pour la génération d’attaques pour le cas d’usage d’assistance de véhicule automatisé dans les sites logistiques
- Etendre le framework actuel avec les données et le modèle généré
- Evaluer la robustesse du modèle mis en place
- Participer aux expérimentations sur la plateforme réelle pour les activité de « pen-testing ».
Références
[1] J. Zhang, I. Ben Jemaa, K. Pasini. Towards An Open Source Benchmarking Framework to SecureV2X Perception In Intersections. Proceedings of IEEE Intelligent Transportation Systems Conference, 2026.
[2] Shahriar, M. H., Ansari, M. R., Monteuuis, J. P., Chen, C., Petit, J., Hou, Y. T., & Lou, W. Vehigan: Generative Adversarial Networks for Adversarially Robust V2X Misbehavior Detection Systems. Proceedings of International Conference on Distributed Computing Systems, 2024.
PROFIL ET COMPETENCES:
De formation : BAC +5 / école d’ingénieur, dans le domaine du cybersécurité, systèmes embarqués, Réseaux et télécommunications, IA
Compétences souhaitées :
- Langage C++/Python
- Principes de ML/IA
- Librairies Python keras, pytorch, tensorflow
Aptitudes personnelles :
- Curiosité
- Capacité à travailler en équipe
- Capacité d’analyse et autonomie