Elies Gherbi soutient sa thèse de doctorat le lundi 5 juillet 2021 : « Apprentissage automatique pour les systèmes de détection d’intrusion dans les transports autonomes »

De nombreuse avancés et innovations technologiques sont introduites dans le monde de l’automobile. Plusieurs domaine scientifiques et applicatives contribuent à l’amélioration de ces avancées. L’une des dimensions importantes est la cybersécurité. Effectivement, les véhicules autonomes seront sujets aux cyberattaques et les cybers criminels pourraient pirater les systèmes d’exploitation des véhicules et perturber leur fonctionnement et mettre en danger la sureté des passagers. Ainsi, la cybersécurité reste un obstacle à surmonter pour sécuriser les véhicules et permettre aux innovations technologiques dans le domaine des transports d’apporter des solutions aux problèmes de la société et éviter leur détournement à des fin malicieuses. En effet, les conceptions actuelles et futures des véhicules autonomes implique de nombreuses interfaces de communication, la communication dans le véhicule entre les différents systèmes embarqués, les communications Vehicle-to-X (V2X) entre le véhicule et d’autres véhicules et structures connectés sur les routes.

Plusieurs mécanismes de défense sont implémentés pour répondre aux normes de sécurité (antivirus, pare-feu, etc.), mais nous ne pouvons pas être sûrs que toutes les failles possibles sont couvertes, spécialement dans des systèmes complexes comme les voitures autonomes. Le système de détection d’intrusion a été introduit dans le monde pour évaluer l’état du réseau et détecter tous comportement malveillant. Le monde a connus beaucoup plus d’expérience en termes de mécanisme de défense qui peut inspirer la cybersécurité des transports intelligent (voiture autonomes), néanmoins, ces dernières requirent leurs propres besoins et contraintes lié à la sureté et aussi à leur architecture system.

L’état actuel de l’évolution des véhicules a été rendu possible grâce à des innovations successives dans de nombreux domaines industriels et de recherche. L’intelligence artificielle en fait partie, ces diffèrent technique permettent d’apprendre et de mettre en œuvre des tâches complexe tel que la conduite autonome. Cette thèse vise à développer un system intelligent de détection d’intrusion en utilisant l’apprentissage automatique dans un contexte automobile.  L’objective est d’évaluer l’impact de l’apprentissage automatique sur l’amélioration de la sécurité des véhicules futurs (autonomes). Notre objectif principal est la sécurité des communications entres les différents systèmes dans la voiture. Dans ce but, nous menons une enquête empirique pour déterminer les besoins sous-jacents et les contraintes qu’exigent les systèmes embarqués. Nous passons en revue la littérature d’apprentissage profond pour la détection d’anomalie, on note qu’il y a un manque d’étude personnalisée sur le système de détection d’intrusion de véhicule autonome utilisant l’apprentissage profond. Dans de telles applications, les données sont déséquilibrées : le taux d’exemples normaux est beaucoup plus élevé que les exemples anormaux. L’émergence du GAN a récemment apporté de nouveaux algorithmes pour la détection des anomalies. Nous développons une approche antagoniste (adversarial) pour la détection des anomalies, basée sur un EAN. Compte tenu du comportement et de la légèreté des réseaux embarqués, nous montrons que EAN reste robuste à l’augmentation des modalités d’exemples normaux, et seule une sous-partie du réseau neuronal est utilisée pour la phase de détection.

CAN est l’une des normes de bus de données très répandu dans les véhicules, conçue pour permettre aux microcontrôleurs de communiquer entre eux. Nous proposons un système de détection d’intrusion. Nous introduisons une représentation de séries temporelles à variables multiples pour les données asynchrones CAN. Nous montrons que cette représentation améliore la modélisation temporelle des architectures d’apprentissage profond pour la détection d’anomalies. Nous étudions différentes tâches d’apprentissage profond (supervisées / non supervisées) et comparons plusieurs architectures pour concevoir un système de détection d’intrusion embarqué qui s’adapte aux contraintes de calcul des systèmes faible en ressource.

L’architecture future des réseaux embarqués dans les véhicules sont composées de différents sous-systèmes. Chaque sous-système est responsable de services spécifiques qui assurent le fonctionnement autonome du véhicule. Pour des raisons fonctionnelles et de sécurité, les sous-systèmes sont isolés, formant une architecture de communication hiérarchique de l’ensemble du système. Dans cette thèse, nous concevons un IDS distribué qui s’adapte à l’architecture embarquée et à ses contraintes et réduit le taux de surcharge de communication induit par le traitement de l’IDS.