Titre de projet: Développement d'un système de recommandation multimodal pour la détection et la prévention des fuites de données dans les environnements cloud hybrides via l'apprentissage fédéré.

Project Abstract

Ce travail présente le développement d’un système de recommandation multimodal conçu pour détecter et prévenir les fuites de données dans les environnements cloud hybrides, en tirant parti de l’apprentissage fédéré. Le système intègre des flux de données structurées et non structurées provenant de diverses sources (logs d’accès, métriques d’utilisation, contenu des fichiers et métadonnées) pour construire une représentation riche des entités et des comportements des utilisateurs et des services. L’approche multimodale combine des modèles de graphes pour capturer les relations entre utilisateurs, ressources et événements, des modèles de séries temporelles pour détecter les anomalies temporelles, et des réseaux neuronaux profonds pour l’analyse du contenu afin d’identifier des schémas de fuite potentielle à partir des données textuelles et visuelles associées. Afin de répondre aux exigences de sécurité et de confidentialité des environnements cloud hybrides, l’apprentissage fédéré est employé pour entraîner des modèles sans centraliser les données sensibles. Chaque nœud de calcul local peut effectuer des mises à jour de modèles sur ses propres données, qui sont ensuite aggregées de manière cryptée et sécurisée afin de préserver la confidentialité. Le cadre fédéré est étendu avec des mécanismes d’alignement des politiques d’accès et de conformité, afin de différencier les règles propres à chaque organisation tout en maximisant la généralisation du modèle global. Un volet d’explicabilité est intégré pour permettre aux responsables de la sécurité de comprendre les décisions de recommandation et les alertes générées, en utilisant des cartes d’attention et des métriques de contribution des caractéristiques. Le modèle de recommandation propose trois fonctionnalités principales (i) détection précoce des tentatives de fuite et d’accès non autorisé grâce à des scores de risque dynamiques, (ii) recommandations de mesures préventives et de remédiation contextuelles (par exemple, chiffrement renforcé, révision des politiques d’accès, segmentation des données, et déclenchement d’alerte opérable), et (iii) suggestions d’optimisation de la gouvernance des données et des contrôles de conformité adaptés au contexte organisationnel et au cadre réglementaire (RGPD, HIPAA, etc.). Le système est évalué sur un corpus synthétique et des ensembles réels anonymisés issus de déploiements cloud hybrides, couvrant des scénarios variés (multi-cloud, edge devices, et centres de données privés). Les métriques d’évaluation incluent la précision de détection, le taux de fausses alertes, la robustesse face aux perturbations adverses, l’efficacité du processus fédéré (communication, convergence et coût computationnel), ainsi que la pertinence et l’efficacité opérationnelle des recommandations. Les résultats démontrent que l’approche multimodale fédérée améliore significativement la détection des fuites en capturant des signaux dispersés et corrélés à travers les modalités, tout en offrant des recommandations actionnables avec un faible impact sur la confidentialité des données. Le travail propose également des orientations pour l’industrialisation du cadre, incluant des protocoles de déploiement, des stratégies de maintenance des modèles et des cadres de gouvernance pour assurer la traçabilité et la conformité continue dans des environnements cloud hybrides.

Project Overview

What This Project Is About

---

The project explores creating a smart system that suggests actions to protect data in cloud setups that mix different services. It combines advice from multiple sources (like data usage, access patterns, and security rules) to help organizations prevent data leaks and respond effectively when risks are detected.

---

---

The Problem It Addresses

---

Many organizations use a mix of cloud services, making it hard to spot and stop data leaks quickly. Existing tools usually focus on one aspect (like access control) and miss broader patterns. The project aims to fill this gap by recommending appropriate protective actions based on diverse signals.

---

---

Objectives of the Project

---

1. Identify common data-leak risks in hybrid cloud environments.
2. Build a multimodal recommendation approach that uses several signals (who, what, where, and how data is used).
3. Ensure privacy and compliance considerations are built into the recommendations.
4. Demonstrate how federated learning can train the system without sharing raw data.
5. Evaluate the effectiveness of the recommendations in simulated scenarios.

---

---

What You Will Do Step by Step

---

1. Review literature on data leakage and security in hybrid cloud setups.
2. Define data signals to collect from different cloud services (without exposing sensitive content).
3. Design a multimodal model that combines these signals to generate recommendations.
4. Implement a lightweight prototype using federated learning principles to protect data locality.
5. Simulate leakage scenarios and test recommendation quality.
6. Tune the system for usability and privacy guarantees.

---

---

Expected Outcome

A functional prototype that provides practical, privacy-preserving recommendations to prevent data leaks in hybrid cloud environments, along with a validation report showing improved detection and response times compared to baseline methods.