Diagnostic distribué et explicable de cyber-malveillance dans les systèmes multi-énergies

• Modélisation événementielle distribuée de systèmes multi-énergies évoluant à différentes échelles temporelles.
• Conception de jumeaux numériques interopérables pour la cybersurveillance.
• Combinaison de modèles physiques et de méthodes d’apprentissage fédéré.
• Détection robuste malgré la rareté des données d’attaques réelles.
• Partage sécurisé d’informations de détection entre plateformes hétérogènes.
• Développement de méthodes d’IA explicable permettant de justifier les décisions de diagnostic et d’améliorer la confiance des opérateurs.

Objectifs de la thèse

Concevoir une architecture de diagnostic distribué de cyber-malveillance. Développer des jumeaux numériques événementiels dédiés à la supervision. Concevoir des algorithmes hybrides combinant supervision discrète et apprentissage fédéré. Développer des mécanismes sécurisés d’échange et d’agrégation d’indicateurs. Valider les solutions sur des scénarios réalistes de cyberattaques multi-vecteurs. Développer des mécanismes d’explicabilité des diagnostics afin de fournir aux opérateurs des justifications interprétables, compatibles avec les exigences de certification et de confiance des systèmes critiques. Programme de travail

Année 1 :

• Analyse bibliographique approfondie.
• Modélisation des systèmes multi-énergies.
• Définition de l’architecture distribuée.
• Premiers prototypes de jumeaux numériques.

Année 2 :

• Développement des méthodes de diagnostic basées modèles.
• Développement des algorithmes d’apprentissage fédéré.
• Développement de méthodes d’IA explicable (XAI) pour l’interprétation des résultats issus de l’apprentissage fédéré.
• Fusion des approches modèle/données.
• Premières validations sur cas d’étude.

Année 3 :

• Mise en œuvre des mécanismes sécurisés de partage d’informations.
• Validation expérimentale sur plateformes du PEPR FutuRE.
• Évaluation de l’interprétabilité, de la confiance et de l’acceptabilité des diagnostics auprès des experts métier.
• Évaluation des performances et rédaction des publications et du manuscrit.

Résultats attendus

• Architecture distribuée de détection cyber pour FutuRE.Net.
• Jumeaux numériques interopérables.
• Algorithmes hybrides de détection d’anomalies.
• Mécanismes d’agrégation sécurisée d’indicateurs.
• Contributions logicielles open source.
• Publications internationales en automatique, cybersécurité et systèmes énergétiques.

Master 2 ou diplôme d’ingénieur en automatique, informatique industrielle, cybersécurité, intelligence artificielle ou systèmes cyber-physiques. Des compétences en modélisation, systèmes à événements discrets, Python, et apprentissage automatique seront appréciées.

01/11/2026 Nature du financement Financement public/privé Précisions sur le financement

Diagnostic distribué et explicable de cyber-malveillance dans les systèmes multi-énergies, Cyber-résilience, Diagnostic distribué, Federated Learning, Digital Twins, Systèmes multi-énergies, Discrete Event Systems, Cybersécurité industrielle, Explainable AI (XAI) Description du sujet Contexte scientifique

La transformation numérique des systèmes énergétiques s’accompagne d’une interconnexion croissante des infrastructures électriques, thermiques, gazières et hydrogène. Ces systèmes cyber-physiques multi-énergies reposent sur des échanges de données continus et des fonctions de supervision distribuées. Cette évolution accroît la surface d’attaque cyber et crée de nouveaux risques de propagation entre infrastructures interconnectées.

Dans le cadre du PEPR FutuRE et du projet FutuRE.Net, il devient nécessaire de développer des méthodes de détection et de diagnostic distribués capables d’opérer sur plusieurs plateformes tout en préservant la confidentialité des données et l’autonomie locale des opérateurs.