Robust federated learning frameworks against data flipping threats in autonomous vehicles

Résumé

L’Apprentissage Fédéré (AF) s’impose comme une approche prometteuse pour permettre un apprentissage collaboratif respectueux de la vie privée entre plusieurs clients distribués. Sa capacité à exploiter de grandes quantités de données tout en maintenant la confidentialité en fait une solution adaptée aux véhicules autonomes (VA), où les données sont sensibles et décentralisées. Cependant, la nature distribuée de l’AF expose le système à de nouvelles menaces, notamment les attaques par inversion d’étiquettes (Label-Flipping, LF), dans lesquelles des participants malveillants modifient volontairement leurs données locales pour dégrader la performance du modèle global. Cette thèse s’attaque à ces vulnérabilités en proposant un cadre complet garantissant la scalabilité et la robustesse des systèmes de VA basés sur l’AF. La méthodologie adoptée est structurée en trois parties principales. Première partie – Développe ment du cadre d’AF : Nous avons conçu et implémenté un environnement fédéré réel intégrant des modèles de Réseaux de Neurones Convolutifs (CNN) et d’Apprentissage par Renforcement (RL) sur la plateforme SunFounder PiCar. Cette configuration a permis un apprentissage collaboratif entre véhicules tout en préservant la confidentialité des données. Deuxième partie – Processus d’attaque : Nous avons simulé des attaques d’inversion d’étiquettes à différents niveaux de disponibilité adversariale (α) afin d’analyser le comportement du système en conditions hostiles. Un seul client malveillant avec une disponibilité élevée (α = 0,9) a entraîné une baisse de plus de 25 % du rappel des classes sources et une diminution de 20 % de la précision globale, illustrant la gravité des attaques LF. Troisième partie – Mécanisme de défense (FALCON) : Nous avons proposé FALCON (Federated Anomaly Learning and COllaborative Network), une architecture de défense multi-niveaux intégrant la Détection d’Anomalies Fédérée (FAD), l’Analyse en Composantes Principales (ACP) et les Machines à Vecteurs de Support Multiclasse (MCSVM). FALCON applique une détection locale d’anomalies, un vote pair-à-pair collaboratif et une détection graphique au niveau serveur à l’aide de Réseaux de Neurones Graphiques (GNN) afin d’identifier et de neutraliser les attaquants persistants. Les évaluations expérimentales ont démontré que le modèle CNN atteint une précision de classification de 94,2 % avec une latence moyenne de 42 ms par image, tandis que le modèle RL obtient un taux de réussite en navigation de 91,8 % et une récompense cumulative moyenne de 1365. Sous attaque LF, la performance du modèle s’est fortement dégradée ; néanmoins, FALCON a permis de restaurer la précision et le rappel globaux à des niveaux quasi optimaux, identifiant plus de 90 % des mises à jour adversariales et réduisant le taux de succès des attaques à moins de 5 %. Dans l’ensemble, cette thèse démontre la faisabilité de l’intégration de l’Apprentissage Fédéré dans les systèmes de véhicules autonomes tout en répondant efficacement aux vulnérabilités adversariales et aux contraintes de scalabilité. L’architecture FALCON proposée constitue une avancée majeure vers des cadres d’AF sécurisés, évolutifs et résilients pour la conduite autonome réelle et d’autres applications critiques pour la sécurité.

Date	7 janv. 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Mohamed Cheriet (Directeur(-trice)) & Darine Ameyed (Codirecteur(-trice))