> Markdown version of [/jobs/ext/2340493-diagnostic-distribue-et-explicable-de-cyber-malveillance-dans-les-systemes-multi-energies](https://www.wearedevelopers.com/jobs/ext/2340493-diagnostic-distribue-et-explicable-de-cyber-malveillance-dans-les-systemes-multi-energies). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md).

---

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

- **Company:** Laboratoire AMPERE - INSA Lyon
- **Location:** Lyon, France
- **Contract:** Permanent contract
- **Skills:** Machine Learning, Open Source Technology
- **Published:** August 27, 2026
- **Apply:** https://fr.indeed.com/viewjob?jk=22aff7b76013ca0e

## About the Role

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.

## Description

* 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.


## Related Videos

- [Introduction to Azure Machine Learning](https://www.wearedevelopers.com/videos/368-introduction-to-azure-machine-learning)
- [Embracing the Hybrid Cloud: Unlocking Success with Open Source Technologies](https://www.wearedevelopers.com/videos/883-embracing-the-hybrid-cloud-unlocking-success-with-open-source-technologies)
- [Cyber Sleuth: Finding Hidden Connections in Cyber Data](https://www.wearedevelopers.com/videos/893-cyber-sleuth-finding-hidden-connections-in-cyber-data)
- [Machine Learning: Promising, but Perilous](https://www.wearedevelopers.com/videos/627-machine-learning-promising-but-perilous)
- [What non-automotive Machine Learning projects can learn from automotive Machine Learning projects](https://www.wearedevelopers.com/videos/397-what-non-automotive-machine-learning-projects-can-learn-from-automotive-machine-learning-projects)
- [How Machine Learning is turning the Automotive Industry upside down](https://www.wearedevelopers.com/videos/61-how-machine-learning-is-turning-the-automotive-industry-upside-down)

## Related Articles

- [Dev Digest 134 - Where pixels sing?](https://www.wearedevelopers.com/magazine/477-dev-digest-134-where-pixels-sing)
- [A 5-Step Open-Source Setup for Agentic Engineering](https://www.wearedevelopers.com/magazine/738-a-5-step-open-source-setup-for-agentic-engineering)
- [Dev Digest 138 - Are you secure about this?](https://www.wearedevelopers.com/magazine/486-dev-digest-138-are-you-secure-about-this)
- [Dev Digest 191: Malware interviews, EU ❤️ Open Source and Skilled Agents](https://www.wearedevelopers.com/magazine/645-dev-digest-191-malware-interviews-eu-open-source-and-skilled-agents)
- [The Claude Code Source Leak](https://www.wearedevelopers.com/magazine/725-the-claude-code-source-leak)
- [Walking Into The Era of Supply Chain Risks](https://www.wearedevelopers.com/magazine/106-walking-into-the-era-of-supply-chain-risks)