Apprentissage non supervisé et mlops pour la détection d'intrusions dans les réseaux 5g

Description de l'offre

Au sein de notre laboratoire, nous menons des recherches sur l’application de l’Intelligence Artificielle à la nouvelle génération de systèmes de détection d’intrusions (IDS). La complexité et le dynamisme des infrastructures modernes, notamment les réseaux 5G, exigent des solutions capables de s’adapter en continu et de détecter des menaces inconnues sans supervision humaine constante.

Ce stage de recherche et développement a pour objectif de concevoir et d’évaluer des approches d’apprentissage automatique avancées pour un IDS intelligent et évolutif. Deux axes principaux structureront le travail. Le premier portera sur la conception de modèles de détection d’anomalies basés sur l’apprentissage non supervisé et auto-supervisé, en explorant des techniques telles que les Auto-Encodeurs Variationnels, les Transformers ou l’apprentissage contrastif, afin d’apprendre des représentations robustes du trafic réseau sans dépendre d’étiquettes d’attaques. Le second axe visera la mise en place d’un pipeline complet de déploiement (MLOps) intégrant la préparation des données, l’inférence et le monitoring du modèle, avec une attention particulière portée à l’optimisation des seuils de détection et des hyperparamètres pour un équilibre optimal entre détection et faux positifs.

L’approche sera validée sur des traces de réseau 5G réelles ou simulées, constituant un cas d’application concret et pertinent. Ce stage offre une immersion approfondie dans les problématiques actuelles à l’intersection de l’IA et de la cybersécurité, tout en permettant de développer des compétences solides en apprentissage automatique, en traitement de données réseau et en ingénierie MLOps.

Mots-clés : cybersécurité, détection d’anomalies, apprentissage non supervisé, apprentissage contrastif, MLOps, réseaux 5G, deep learning.

Profil du candidat

Étudiant(e) en Master 2, école d’ingénieurs ou équivalent, spécialisé(e) en intelligence artificielle, apprentissage automatique, data science ou cybersécurité. Une bonne maîtrise du deep learning (PyTorch, TensorFlow) et des techniques d’apprentissage non supervisé est souhaitée. Des connaissances en réseaux informatiques et en sécurité des systèmes seront fortement appréciées. Le/la candidat(e) devra démontrer une réelle capacité d’analyse, de curiosité scientifique et d’autonomie dans la conduite d’expérimentations. Une première expérience en traitement de données réseau, en MLOps ou en développement Python constituera un atout. Bonne communication écrite et goût pour la recherche appliquée sont également souhaités.