Titre de projet : Détection et prévision des comportements présynaptiques dans les réseaux de neurones à apprentissage fédéré pour la cybersécurité des objets connectés en milieu industriel

Project Abstract

La présente étude explore une approche innovante pour la détection et la prévision des comportements présynaptiques dans des réseaux de neurones à apprentissage fédéré (FL) afin de renforcer la cybersécurité des objets connectés (IoT) en milieu industriel. En combinant l’observation des dynamiques synaptiques simulées et les paradigmes d’apprentissage fédéré, ce travail propose une méthodologie hybride qui capture les signatures temporelles et structurelles des comportements anormaux tout en préservant la confidentialité des données industrielles sensibles. Le cadre proposé exploite des modèles de réseaux de neurones à mémoire et des mécanismes d’attention pour modéliser les dépendances temporelles faibles et fortes entre capteurs, actionneurs et composants de sécurité. Une caractéristique clé de l’approche est l’identification des motifs présynaptiques, c’est-à-dire les schémas de préactivation qui précèdent les anomalies réseau ou les intrusions, afin de générer des signaux d’alerte précoces et d’anticiper les comportements malveillants avant leur manifestation observable. La méthodologie combine des expériences simulées et des données réelles collectées auprès d’infrastructures IoT industrielles, en respectant les contraintes de confidentialité et de latence propres aux environnements sensibles. Les modules principaux incluent (i) la modélisation des interactions réseau sous forme de graphes temporels et l’extraction de vecteurs caractéristiques présynaptiques à partir des traces de trafic, des logs d’événements et des métriques de performance des dispositifs; (ii) l’entraînement fédéré de modèles supervisés et non supervisés pour la détection d’anomalies et la prévision de comportements présynaptiques, avec des mécanismes de fédération horizontale et verticale et des protocoles de réduction de communications; (iii) l’intégration d’un système de détection d’intrusions prédictif basé sur des réseaux de neurones récurrents augmentés d’attention et de modules de mémoire gérant la dérivation temporelle des signaux; (iv) l’évaluation robuste des performances en termes de précision, rappel, F-mesure, latence de détection et coût de communication, ainsi que l’analyse de la robustesse face à des attaques adverses et à la dérive conceptuelle. Les résultats escomptés démontreront que l’utilisation de signaux présynaptiques comme vecteurs de détection améliore significativement le temps de détection et la capacité prédictive par rapport à des approches FL traditionnelles axées uniquement sur les flux de données brutes. En outre, l’approche préservera la confidentialité des données industrielles et réduira la surface d’attaque des réseaux IoT tout en offrant une adaptabilité transparente à des environnements hétérogènes et évolutifs. Le travail contribuera à l’état de l’art en combinant théorie des dynamiques synaptiques, apprentissage fédéré et cybersécurité opérationnelle, et proposera des cadres méthodologiques et des artefacts expérimentaux susceptibles d’être adoptés par les opérateurs industriels et les développeurs de solutions IoT sécurisées.

Project Overview

What This Project Is About

---

A beginner-friendly overview of using smart network models that learn from distributed data to detect unusual behavior in devices connected to the internet. It explores how to forecast potential security events in an industrial setting without sending all data to a central server.

---

---

The Problem It Addresses

---

Industrial Internet of Things (IIoT) devices often create large, sensitive data streams and may be targeted by cyber threats. Centralized data collection raises privacy and security concerns and can be a bottleneck. This project seeks a way to identify threats while keeping data local to each device or site.

---

---

Objectives of the Project

---

1. Understand the basics of neural networks and federated learning in simple terms.
2. Explore how to detect suspicious device behavior using distributed data.
3. Design a lightweight framework that can run on typical industrial hardware.
4. Test the approach with mock data and evaluate its accuracy and speed.
5. Discuss privacy, security, and practical deployment considerations.

---

---

What You Will Do Step by Step

---

1. Learn foundational concepts about neural networks and distributed learning.
2. Collect or simulate data reflecting normal and abnormal device behavior.
3. Build a small federated learning model that trains across multiple sites without sharing raw data.
4. Train the model and measure how well it detects anomalies and predicts incidents.
5. Analyze results, compare with a non-federated approach, and identify trade-offs.
6. Assess deployment considerations like computation needs and privacy.

---

---

Expected Outcome

Deliverables include a working demo of a federated anomaly-detection system, a report explaining its accuracy and privacy benefits, and guidelines for deploying in real factories.