Résumé :
Les réseaux longue portée et basse consommation (LPWANs) permettent des applications IoT économiques, à faible consommation d’énergie et à longue portée, mais opèrent souvent dans des conditions de faible rapport signal-bruit (SNR). Les modèles d’apprentissage profond classiques pour la reconnaissance de signaux peinent à se généraliser dans de tels environnements dynamiques, en particulier dans les systèmes de surveillance du spectre.
Nous proposons une méthode compacte combinant l’apprentissage par ensemble, un Mixture of Experts (MoE) avec un mécanisme de gating soft sensible à l’incertitude, et une méta-adaptation via la méthode Almost-No-Inner-Loop (ANIL). Les modèles experts, entraînés sur des niveaux SNR faibles distincts, partagent des poids de base figés, tandis que seule la tête de classification est adaptée lors de l’apprentissage par few-shot pour une spécialisation rapide. Le mécanisme de gating sensible à l’incertitude génère des poids experts rares et contrôlés par température, améliorant à la fois la robustesse et la fiabilité des décisions.
Les expérimentations montrent une amélioration de la précision et de la généralisation, tant pour des niveaux SNR vus que non vus, démontrant l’efficacité de ce cadre pour la reconnaissance de signaux sans fil en conditions réelles dans les systèmes de surveillance spectrale.

Résumé :
La vision des réseaux 6G dépasse l’augmentation des débits, visant à fournir une connectivité ultra-dense, une efficacité énergétique extrême et des communications sécurisées pour des systèmes intelligents et autonomes. Avec des densités de dispositifs pouvant atteindre 10 millions par km² et un objectif de gain énergétique d’un facteur 10, la 6G impose des solutions innovantes pour la couche physique, à la fois durables et sécurisées. La capacité de calcul limitée de nombreux dispositifs 6G rend les méthodes cryptographiques traditionnelles inadaptées, positionnant la sécurité de la couche physique (PLS) comme une alternative évolutive et écoénergétique. Dans ce contexte, nous proposons une approche basée sur l’apprentissage profond guidé par la connaissance pour améliorer simultanément l’efficacité énergétique et la sécurité des communications 6G. Notre méthode remplace un algorithme itératif classique par un modèle d’apprentissage profond à faible consommation et rapide en inférence, combinant deux paradigmes d’IA guidée par la connaissance : le deep unfolding, qui intègre les connaissances du domaine dans la structure du modèle, et l’apprentissage assisté par la connaissance, qui incorpore des fonctions de perte spécifiques aux communications sans fil. Une version allégée du modèle, obtenue via la distillation de connaissances, permet son déploiement sur du matériel à ressources limitées et en temps réel. Les résultats montrent que notre approche réduit le Peak-to-Average Power Ratio (PAPR), améliorant ainsi significativement l’efficacité énergétique de la confidentialité (SEE), tout en maintenant une capacité de confidentialité comparable aux méthodes traditionnelles. Ce gain énergétique s’accompagne d’un compromis mineur sur la pureté spectrale, mesuré par une légère augmentation du Symbol Error Rate (SER). Une analyse de complexité confirme la réduction des opérations et des paramètres, attestant de la maturité du modèle pour un déploiement réel.

Résumé :
Dans les communications militaires et tactiques modernes, sécuriser les liaisons sans fil contre l’interception et l’exploitation est à la fois une nécessité stratégique et opérationnelle. Les plateformes radio militaires, telles que les drones autonomes, radios portées par les soldats ou systèmes embarqués sur véhicules, doivent fonctionner sous de fortes contraintes de taille, poids et consommation (SWaP), ce qui influence considérablement la conception des systèmes radio.
Bien que les solutions cryptographiques traditionnelles soient efficaces, elles posent des défis en matière de gestion des clés, de charge computationnelle et de résistance quantique.
Ce travail présente un schéma de sécurité de couche physique combinant une modulation partitionnée indexée avec un codage convolutionnel entrelacé pour rendre le signal reçu statistiquement non informatif pour les récepteurs non autorisés.
Une caractéristique clé de la méthode proposée est sa capacité à transmettre simultanément des informations publiques et sécurisées au sein d’une même forme d’onde. Cette capacité de transmission mixte permet de maintenir l’accessibilité des données publiques tout en protégeant les informations sensibles, ce qui est essentiel dans des scénarios militaires où la conscience situationnelle ou les messages publics doivent coexister avec des opérations confidentielles.
Le schéma exploite la réciprocité de canal en duplex temps (TDD) pour générer des séquences d’index secrets et injecte une propagation d’erreur contrôlée qui dégrade sélectivement la réception non autorisée.
Nous montrons que, pour un adversaire ignorant la séquence d’index, les distributions de rapport de vraisemblance logarithmique (LLR) des bits protégés deviennent indiscernables, entraînant une information mutuelle nulle et empêchant toute inférence au niveau des bits.
Cette approche permet une confidentialité robuste, simultanée et adaptative sans recourir au chiffrement traditionnel, offrant une couche de sécurité légère et à faible latence, parfaitement adaptée aux systèmes de défense contraints en SWaP et sensibles au délai.