Thèse Sécurisation de l'Apprentissage Fédéré dans les Iomts H/F

Doctorat.Gouv.Fr

Établissement : Université Paris Cité
École doctorale : Ecole Doctorale d'Informatique, Télécommunications et Electronique
Laboratoire de recherche : Centre Borelli
Direction de la thèse : Osman SALEM ORCID 0000000320769733
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-01T23:59:59

L'Internet des Objets Médicaux (Internet of Medical Things - IoMT) transforme les systèmes de santé en permettant la collecte et l'analyse continues de données physiologiques à partir de dispositifs connectés tels que les capteurs portables ou les équipements médicaux intelligents. Ces données ouvrent de nouvelles perspectives pour le suivi des patients, la médecine personnalisée et l'aide au diagnostic. Toutefois, leur nature sensible soulève des enjeux majeurs en matière de sécurité, de confidentialité et de gestion des ressources des dispositifs.

L'apprentissage fédéré (Federated Learning - FL) constitue une approche prometteuse pour entraîner des modèles d'intelligence artificielle sans centraliser les données, celles-ci restant localisées sur les dispositifs ou au sein des infrastructures médicales. Malgré ses avantages, cette approche reste vulnérable à plusieurs types d'attaques, notamment les attaques par empoisonnement des données, les attaques d'inférence ou encore la reconstruction de données sensibles à partir des informations échangées entre les participants. Par ailleurs, les dispositifs IoMT étant souvent contraints en termes de puissance de calcul, de mémoire et d'énergie, l'efficacité énergétique des méthodes d'apprentissage représente un défi supplémentaire.

Cette thèse vise à renforcer la sécurité de l'apprentissage fédéré dans les environnements IoMT en explorant des approches basées sur le Split Learning, un paradigme d'apprentissage distribué qui divise les modèles d'apprentissage entre les dispositifs et les serveurs afin de limiter l'exposition des données sensibles. L'objectif est de concevoir des mécanismes robustes permettant de réduire les risques d'attaques tout en tenant compte des contraintes matérielles des dispositifs médicaux connectés.

Les travaux porteront notamment sur l'analyse des vulnérabilités des architectures d'apprentissage fédéré et de Split Learning dans les environnements IoMT, le développement de mécanismes de protection avancés contre différentes formes d'attaques, ainsi que l'intégration de techniques d'optimisation telles que le chiffrement léger, la compression de modèles ou l'adaptation des protocoles d'apprentissage aux ressources limitées des dispositifs.

Les solutions proposées seront évaluées à travers des expérimentations sur des cas d'usage représentatifs du domaine de la santé connectée, en mesurant leur impact sur la précision des modèles, la latence des communications, la consommation énergétique et l'autonomie des dispositifs.

L'objectif final de cette recherche est de contribuer à la sécurisation et à la fiabilité des systèmes de santé connectés en proposant des approches d'apprentissage distribué conciliant protection des données, robustesse face aux attaques et efficacité énergétique.

L'Internet des Objets Médicaux permet la collecte continue de données de santé via des dispositifs connectés, ouvrant de nouvelles perspectives pour le suivi médical et la médecine personnalisée. Toutefois, ces données sont particulièrement sensibles et leur utilisation nécessite des garanties fortes en matière de sécurité et de confidentialité. L'apprentissage fédéré permet d'entraîner des modèles d'intelligence artificielle sans centraliser les données, mais reste vulnérable à plusieurs types d'attaques et peut être coûteux en ressources pour les dispositifs IoMT. L'exploration de paradigmes comme le Split Learning offre de nouvelles perspectives pour améliorer la confidentialité et réduire l'exposition des données.

L'objectif principal de cette thèse est de renforcer la sécurité et l'efficacité énergétique de l'apprentissage fédéré dans les environnements IoMT. Les travaux viseront à analyser les vulnérabilités des architectures d'apprentissage distribuées, concevoir des mécanismes de protection contre différentes attaques (inférence, empoisonnement, reconstruction de données), et développer des approches optimisées adaptées aux contraintes de calcul et d'énergie des dispositifs médicaux connectés.

La recherche combinera une analyse théorique des vulnérabilités des architectures d'apprentissage fédéré et de Split Learning avec la conception de mécanismes de protection adaptés aux environnements IoMT. Des techniques telles que le chiffrement léger, la compression de modèles et l'optimisation des protocoles d'apprentissage seront étudiées. Les approches proposées seront implémentées et évaluées expérimentalement sur des plateformes ou environnements représentatifs, en mesurant leur impact sur la sécurité, la précision des modèles, la latence et la consommation énergétique.