Doctorant (H/F) GAI-enhanced Network Traffic Analysis in Cloud-Edge-IoT Continuum (GeNTAC)

Sujet de thèse :
Résumé :
La complexité croissante des réseaux informatiques remet en question la gestion traditionnelle du trafic réseau en raison de problèmes de scalabilité, de confidentialité et d’inefficacité des communications. Ce projet de thèese exploite l’apprentissage collaboratif pour le continuum Cloud-Edge-IoT. L’IA générative y sera intégrée afin d’améliorer l’augmentation des données, la détection d’anomalies et la prévision du trafic. Ces avancées permettront une gestion du trafic adaptative, efficace et respectueuse de la vie privée dans des environnements réseau hétérogènes du monde réel.

Mots-clés : Analyse de trafic, Détection d’anomalies, Intelligence artificielle générative, Apprentissage fédéré

Contexte :
L’essor des objets connectés (IoT) et du calcul en périphérie (edge computing) entraîne une explosion du trafic réseau dans un continuum hétérogène Cloud-Edge-IoT. Les approches classiques d’analyse de réseau basées sur l’IA centralisée souffrent souvent de limitations en termes de scalabilité, de respect de la vie privée et de surcharge de communication. L’apprentissage fédéré (FL) apparaît comme une solution prometteuse, permettant un entraînement décentralisé des modèles sans transfert des données brutes. Toutefois, les méthodes FL classiques exploitent mal la structure hiérarchique des réseaux modernes, où les couches IoT, edge et cloud présentent des caractéristiques distinctes. L’apprentissage fédéré hiérarchique (HFL) introduit une formation en plusieurs niveaux, permettant une agrégation locale à l’edge avant consolidation au cloud, optimisant la latence et l’efficacité du calcul [1]. L’intégration de l’IA générative renforce ces capacités, en facilitant l’augmentation des données [2], la détection d’anomalies et la prédiction comportementale du réseau.

Objectifs :
Ce projet vise à développer une approche HFL [3] intégré à l’IA générative pour l’analyse des réseaux dans le continuum Cloud-Edge-IoT. Il/elle adoptera une approche multiniveau, avec entraînement collaboratif réparti sur les couches IoT, edge et cloud. Des modèles d’IA générative (GAN, VAE, modèles de diffusion) seront utilisés pour générer des données synthétiques de trafic, favorisant la détection d’anomalies et l’augmentation des données. L’efficacité des communications sera améliorée via la distillation des connaissances et la compression adaptative des modèles, afin de réduire la taille des mises à jour fédérées [4]. Des techniques d’agrégation efficaces [5] garantiront la confidentialité des données. L’évaluation portera sur des jeux de données réels de trafic réseau, mesurant les performances en détection d’anomalies, prévision de trafic et classification, démontrant le potentiel de cette approche pour une analyse réseau sécurisée, scalable et adaptative.

Méthodologie scientifique :
Le projet repose sur trois piliers : l’architecture HFL, l’intégration de l’IA générative et l’optimisation de
Voir plus sur le site emploi.cnrs.fr...