Projet de Recherche Doctorale (PRD)

L’Internet industriel des objets, ou « Industrial Internet of Things (IIoT) », constitue l’une des technologies structurantes de l’Industrie 4.0. Il permet de connecter des équipements industriels, des capteurs, des actionneurs, des robots, des automates programmables et des systèmes cyber-physiques afin d’améliorer l’automatisation, la supervision, la productivité et l’efficacité opérationnelle. Ces infrastructures sont aujourd’hui déployées dans les usines intelligentes, les réseaux énergétiques, les systèmes de transport, les installations pétrolières et gazières, les établissements de santé et, plus largement, les infrastructures critiques [1, 2]. 

Cette interconnexion croissante élargit toutefois considérablement la surface d’attaque des systèmes industriels. Des équipements initialement conçus pour fonctionner dans des environnements isolés communiquent désormais avec des plateformes cloud, des systèmes edge, des applications mobiles et des réseaux externes. Une compromission peut alors dépasser la perte ou la divulgation de données: elle peut entraîner l’interruption d’une chaîne de production, l’altération d’un processus physique, la dégradation d’équipements, des pertes financières importantes, voire des risques directs pour la sécurité des personnes. 

Les environnements IIoT se distinguent des systèmes informatiques classiques par leur forte hétérogénéité, leurs contraintes temporelles, leur longue durée de vie et la présence de dispositifs disposant de ressources limitées. Ces caractéristiques rendent difficile le déploiement direct de mécanismes de cybersécurité conçus pour les réseaux informatiques traditionnels. Elles limitent notamment la capacité des systèmes de détection d’intrusions à identifier des attaques distribuées par déni de service, des injections de fausses données, des logiciels malveillants, des rançongiciels, des attaques internes ou des menaces persistantes avancées. 

Un second problème tient à la disponibilité des données nécessaires à l’apprentissage des modèles d’intelligence artificielle. Les données industrielles réelles sont rarement accessibles en raison de leur caractère sensible, des exigences de confidentialité et des risques liés à l’expérimentation sur des infrastructures en production. Déclencher volontairement une attaque dans une usine, un réseau électrique ou une installation critique peut perturber les opérations, endommager des équipements et exposer les personnes ou l’environnement à des risques inacceptables. Les modèles de détection sont donc souvent entraînés sur des jeux de données publics, statiques ou insuffisamment représentatifs des conditions industrielles réelles. 

Le jumeau numérique apporte une réponse prometteuse à cette difficulté. Il constitue une représentation virtuelle, dynamique et continuellement actualisée d’un système physique, de ses composants, de ses communications et de son environnement opérationnel [3, 4]. Dans un contexte de cybersécurité industrielle, il peut reproduire le fonctionnement d’une infrastructure, simuler des scénarios d’attaque et observer leurs effets sans affecter le système réel. Il offre ainsi un environnement contrôlé pour générer des données, évaluer des mécanismes de défense et étudier la résilience d’un système industriel dans des conditions normales, dégradées ou hostiles. 

Cependant, les jumeaux numériques existants sont principalement utilisés pour l’optimisation des procédés, la maintenance prédictive, la supervision et la planification de la production. Leur intégration avec des mécanismes intelligents de cybersécurité reste encore limitée. Les scénarios d’attaque sont souvent prédéfinis, les modèles de détection sont entraînés indépendamment du jumeau numérique, et les échanges entre le système physique, sa représentation virtuelle et le système de défense ne permettent pas toujours une adaptation continue aux nouvelles menaces. 

L’intelligence artificielle a pourtant démontré sa capacité à identifier des comportements anormaux et des motifs d’attaque difficilement détectables par des règles statiques. Les réseaux neuronaux profonds, les réseaux de neurones sur graphes, les architectures fondées sur les transformeurs, l’apprentissage fédéré et l’apprentissage par renforcement offrent de nouvelles possibilités pour analyser simultanément les communications, la topologie du réseau, l’état des équipements et l’évolution des processus physiques. Toutefois, ces modèles restent exposés aux changements de distribution, aux attaques inconnues, aux faux positifs, au manque d’explicabilité et aux limites de calcul des équipements industriels. 

D’où la question qui structure cette thèse : 

Comment concevoir un jumeau numérique intelligent capable de simuler des cyberattaques industrielles réalistes, d’entraîner et d’adapter continuellement des mécanismes de détection, et de renforcer la résilience des infrastructures IIoT sans perturber leur fonctionnement réel ? 

Le sujet vise à rapprocher deux domaines encore souvent étudiés séparément : les jumeaux numériques industriels et la cybersécurité fondée sur l’intelligence artificielle. Il s’agit de construire une architecture dans laquelle le jumeau numérique ne constitue pas uniquement une copie virtuelle du système physique, mais devient un composant actif de défense, capable de générer des scénarios, d’évaluer les conséquences d’une attaque, d’améliorer les modèles de détection et d’aider à sélectionner une réponse appropriée. 

La thèse s’organise autour de quatre objectifs, de la modélisation du système industriel à la validation expérimentale de son mécanisme de défense. 

1. Un modèle de jumeau numérique orienté cybersécurité pour les environnements IIoT 

• Étudier les architectures de jumeaux numériques et identifier les composants nécessaires à la représentation d’une infrastructure IIoT : équipements physiques, automates, capteurs, actionneurs, flux réseau, protocoles industriels et processus cyber-physiques. 

• Définir un modèle permettant de maintenir la cohérence entre le système physique et sa représentation virtuelle, en tenant compte des événements, des changements d’état et des contraintes temporelles propres aux systèmes industriels. 

• Représenter conjointement la topologie du réseau, les comportements des équipements et les variables du processus industriel afin de distinguer une anomalie cybernétique d’une variation opérationnelle légitime. 

• Étudier le niveau de fidélité nécessaire selon le cas d’usage, en comparant la précision de la simulation, le coût de calcul, la latence de synchronisation et le passage à l’échelle. 

2. Une plateforme de simulation et de génération de cyberattaques industrielles 

• Construire une bibliothèque de scénarios couvrant plusieurs catégories de menaces : déni de service distribué, injection de fausses données, rejeu, usurpation, altération de commandes, propagation de logiciels malveillants, rançongiciels, attaques internes et menaces persistantes avancées. 

• Modéliser les différentes étapes d’une attaque, depuis la reconnaissance et l’accès initial jusqu’au déplacement latéral, à la compromission des équipements et à l’altération du processus physique. 

• Générer des données réalistes et annotées associant les flux réseau, les événements système, les commandes industrielles, les états des équipements et les variables physiques. 

• Définir des indicateurs permettant de mesurer le réalisme des scénarios générés, notamment leur fidélité temporelle, leur cohérence physique, leur diversité et leur proximité avec les comportements observés dans les infrastructures réelles. 

• Étudier la génération automatique ou semi-automatique de nouveaux scénarios d’attaque afin de réduire la dépendance à des attaques prédéfinies et de mieux représenter les menaces inconnues. 

3. Une intelligence artificielle adaptative pour la détection et l’explication des cyberattaques 

• Concevoir des modèles de détection capables d’exploiter conjointement les données produites par le jumeau numérique et les observations issues du système industriel réel. 

• Étudier les réseaux de neurones sur graphes pour représenter les relations entre équipements, communications et processus, ainsi que les architectures fondées sur les transformeurs pour capturer les dépendances temporelles à long terme. 

• Développer des mécanismes de détection des attaques inconnues fondés sur l’apprentissage auto-supervisé, la détection d’anomalies, l’apprentissage continu ou l’apprentissage avec peu d’exemples. 

• Examiner l’utilisation de l’apprentissage fédéré afin de permettre à plusieurs sites industriels d’améliorer conjointement leurs modèles sans échanger directement leurs données sensibles. 

• Intégrer des méthodes d’intelligence artificielle explicable afin d’identifier les variables, les équipements et les communications ayant contribué à une alerte, et de produire une justification exploitable par un opérateur de sécurité. 

• Étudier la robustesse des modèles face aux données bruitées, aux changements de configuration, aux dérives opérationnelles et aux attaques adversariales visant directement les mécanismes d’apprentissage. 

4. Une boucle de défense proactive et une validation expérimentale 

• Concevoir une boucle de rétroaction reliant le système physique, le jumeau numérique et le mécanisme de détection : observation, simulation, détection, évaluation du risque, sélection d’une réponse et mise à jour du modèle. 

• Utiliser le jumeau numérique pour tester une mesure de défense avant son application au système réel, afin d’éviter qu’une réponse automatique ne provoque une interruption de service ou une instabilité du processus industriel. 

• Étudier l’apprentissage par renforcement pour sélectionner des stratégies de défense tenant compte simultanément de la réduction du risque, de la continuité de service et du coût opérationnel. 

• Implémenter un prototype sur un banc d’essai IIoT représentatif associant des équipements physiques, une infrastructure réseau industrielle et une plateforme de jumeau numérique. 

• Évaluer l’architecture selon la précision de détection, la précision positive, le rappel, le score F1, le taux de faux positifs, la latence de détection, le coût de calcul, la consommation de ressources, la robustesse face aux attaques inconnues et la capacité de passage à l’échelle. 

• Mesurer la résilience globale du système à travers son temps de récupération, sa capacité à maintenir les fonctions critiques et son niveau de dégradation pendant et après une attaque. 

Le sujet se situe à la rencontre de la cybersécurité, de l’intelligence artificielle, de l’Internet industriel des objets et de la modélisation des systèmes cyber-physiques. Aucun candidat n’est attendu expert de l’ensemble de ces domaines. 

• Solides bases en informatique, réseaux et cybersécurité. 

• Connaissance des techniques d’apprentissage automatique et d’apprentissage profond. 

• Connaissance de l’Internet des objets ou des systèmes industriels. 

• Programmation : Python pour l’intelligence artificielle et l’analyse des données. 

• Une expérience avec des bibliothèques d’apprentissage telles que PyTorch, TensorFlow ou Scikit-learn est appréciée. 

• Capacité à analyser des articles scientifiques, à formaliser un problème de recherche et à communiquer les résultats obtenus. 

• Anglais scientifique : la thèse donnera lieu à des publications dans des conférences et revues internationales. 

• Autonomie, rigueur, honnêteté intellectuelle, curiosité scientifique et goût du travail en équipe. 

Master 2 recherche ou diplôme d’ingénieur (bac+5) en informatique, réseaux, cybersécurité, intelligence artificielle, Internet des objets, systèmes embarqués ou domaine connexe, obtenu au plus tard à la date de démarrage de la thèse. 

Les candidatures ne présentant ni diplôme de master ni diplôme d’ingénieur ne peuvent pas être retenues. Un stage de recherche ou un projet de fin d’études en cybersécurité, apprentissage automatique, Internet industriel des objets, jumeaux numériques ou systèmes cyber-physiques constitue un atout. 

Nour EL MADHOUN (Isep) : nour.el-madhoun@isep.fr  

Simon Pierre DEMBELE (Isep) : simon-pierre.dembele@isep.fr  

Ahmad FAOUR (Université Libanaise) : ahmad.faour@ul.edu.lb  

Hassan Harb (Université Libanaise) : Hassan.harb.1@ul.edu.lb  

Le dossier de candidature comprend : 

• un curriculum vitae détaillé ; 

• une lettre de motivation précisant l’intérêt du candidat pour le sujet ; 

• les relevés de notes du master ou des deux dernières années du cycle ingénieur ; 

• les coordonnées de deux personnes pouvant être contactées comme référents. 

Merci d’adresser le dossier par courriel avec l’objet « Candidature doctorat – Jumeau numérique et cybersécurité IIoT ». Les candidatures sont examinées au fil de l’eau jusqu’à pourvoi du poste.