Sécurité des réseaux 5G/6G par l’IA : Prédiction de la durée des attaques pour une mitigation intelligente

Résumé

La prolifération rapide des architectures réseau 5G et O-RAN a considérablement élargi le paysage des cybermenaces, créant des défis de sécurité critiques qui exigent des solutions innovantes dépassant les systèmes de détection d’intrusion conventionnels. Cette recherche introduit un cadre innovant pour la prédiction de la durée des cyberattaques qui transforme la cybersécurité d’une détection réactive en une gestion proactive des menaces, adressant ainsi le manque fondamental en intelligence temporelle des menaces qui limite actuellement les stratégies de mitigation efficaces dans les réseaux de nouvelle génération. Le cadre repose sur trois contributions principales : une architecture neuronale avancée basée sur les Transformers spécialement conçue pour capturer les motifs temporels complexes dans les séquences d’attaques, démontrant des améliorations significatives de performance par rapport aux modèles récurrents traditionnels ; un paradigme d’apprentissage fédéré préservant la confidentialité avec sélection adaptive des clients et optimisation dynamique de l’entraînement, permettant une allocation intelligente des ressources à travers les nœuds réseau distribués tout en maintenant la confidentialité des données et l’efficacité computationnelle ; et le nouveau cadre hybride FML-AD qui combine de manière synergique l’apprentissage fédéré avec des techniques de méta-apprentissage pour surmonter les barrières d’adaptation au domaine entre les environnements d’entraînement et le déploiement opérationnel réel. Le mécanisme de sélection adaptive des clients priorise stratégiquement les noeuds sous-performants basé sur des métriques de validation en temps réel, tandis que l’optimisation dynamique de l’entraînement ajuste l’allocation des époques et le traitement par lots selon les capacités des clients et les distributions de données. La validation expérimentale sur un testbed 5G O-RAN a confirmé la haute précision du cadre FML-AD, avec une erreur moyenne de seulement 2.0 secondes dans la prédiction de la durée résiduelle des attaques. Cette performance permet d’optimiser l’allocation des ressources de sécurité et de planifier les stratégies de mitigation en temps réel, tout en maintenant une qualité de service optimale pour les utilisateurs légitimes et en préservant la confidentialité des données across les infrastructures réseau hétérogènes. Ces résultats établissent les bases d’une nouvelle génération de systèmes de cybersécurité adaptatifs, capables d’anticiper proactivement les menaces et d’ajuster dynamiquement les mécanismes de défense. Les perspectives de recherche incluent la gestion d’attaques multiples, l’optimisation énergétique des modèles et le développement de moteurs d’inférence temps réel pour environnements industriels, renforçant ainsi la résilience des infrastructures critiques face aux cybermenaces évolutives dans l’écosystème 5G et au-delà.

Date	15 mai 2026
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Rami Langar (Directeur(-trice)) & Waël Jaafar (Codirecteur(-trice))