Postdoctorat en informatique : intelligence artificielle pour les réseaux H/F

Missions :
Inférer la qualité des applications et des services est crucial pour les Fournisseurs d’Accès Internet (FAI) afin de détecter les problèmes de réseau et de faciliter la planification de la capacité. Cependant, avec l’adoption généralisée du chiffrement de bout en bout, les FAI ne peuvent plus observer directement les métriques de qualité des applications à partir du trafic traversant leur réseau. Malgré l’opacité croissante du trafic, des travaux récents ont démontré qu’il est possible d’inférer des métriques de qualité en entraînant un modèle d’apprentissage automatique sur des caractéristiques du trafic. Pourtant, ces modèles n’ont pas encore été adoptés en pratique par les FAI. Bien que les modèles d’inférence aient prouvé leur précision, leur adoption est freinée par des facteurs qui vont au-delà de la conception des modèles. Un défi clé pour obtenir des modèles précis en pratique est la nécessité d’une grande similarité entre les données utilisées lors de l’entraînement et celles observées lors du déploiement. Cependant, la collecte de données étiquetées est difficile en raison des coûts élevés de collecte, des préoccupations en matière de confidentialité et de l’accès limité à la vérité terrain des applications. L’enrichissement des ensembles de données réelles par des données synthétiques de haute fidélité s’est imposé comme une solution au problème de rareté des données. Récemment, les Réseaux Antagonistes Génératifs (GANs) sont devenus la technique conventionnelle pour générer du trafic réseau réaliste. Toutefois, entraîner des GANs pour modéliser le trafic réseau nécessite une prise en compte rigoureuse de la distribution des données et de l’interprétabilité des modèles. De plus, les approches basées sur les GANs ont tendance à se concentrer sur un ensemble limité d’attributs ou de statistiques, sont notoirement difficiles à entraîner et montrent une stabilité limitée dans la génération à long terme. Dans ce post-doctorat, nous étudierons le rôle des techniques d’intelligence artificielle générative pour résoudre les problèmes non résolus liés à la rareté des données nécessaires à l’entraînement des modèles d’inférence de qualité et pour traduire les résultats des modèles d’inférence en actions concrètes. Nous prévoyons d’exploiter les avantages uniques offerts par les modèles d’intelligence artificielle générative pour développer de nouveaux outils destinés à déployer des modèles d’inférence de qualité de bout en bout, notamment en générant des traces réseau synthétiques pour entraîner ces modèles
Activités :
Des approches très récentes basées sur des modèles fondamentaux préentraînés ont montré leur potentiel pour générer des traces au niveau des paquets plus réalistes. En particulier, nos travaux récents ont démontré que les modèles de diffusion texte-vers-image contrôlés constituent une solution viable pour générer un trafic réseau brut synthétique respectant les règles
Voir plus sur le site emploi.cnrs.fr...