Thèse Modèles d'IA Agentique Légers pour la Cyberdéfense Intelligente dans les Réseaux Périphériques 6G H/F Doctorat.Gouv.Fr

Établissement : Institut National des Sciences Appliquées de Toulouse École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Laboratoire de recherche : LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes Direction de la thèse : Khalil DRIRA ORCID 0000000247701563 Début de la thèse : 2027-09-01 Date limite de candidature : 2026-11-23T23:59:59 Le déploiement des réseaux 6G devrait apporter des débits bien plus élevés, une latence très faible et une connectivité massive d'appareils, avec des applications comme l'IoT, les systèmes autonomes ou les villes intelligentes qui dépendront fortement de l'edge computing pour rapprocher l'intelligence des utilisateurs. Si l'edge computing réduit les délais en traitant les données près de leur source, le nombre croissant d'appareils connectés expose de nouvelles surfaces d'attaque : objets IoT, liaisons sans fil, serveurs et slices deviennent des cibles pour les attaques DDoS, l'usurpation d'identité, les logiciels malveillants, le brouillage et la manipulation de données, menaçant la performance et la disponibilité des services 6G.
La cyberdéfense traditionnelle repose sur des règles et signatures d'attaques connues, efficaces contre les menaces familières mais peu adaptées aux menaces nouvelles et évolutives. L'IA et l'apprentissage automatique peuvent aider en apprenant les schémas de trafic et en accélérant les décisions de sécurité, mais la plupart des modèles d'apprentissage profond exigent une puissance de calcul, une mémoire et une énergie que les appareils périphériques ne peuvent pas toujours fournir. Les modèles d'IA agentique légers apparaissent donc comme une voie prometteuse, combinant analyse efficace des menaces et décision adaptative et autonome au plus près du réseau.
La littérature récente montre que l'IA agentique permet une atténuation autonome et en temps réel des menaces en périphérie, grâce à une orchestration multi-agents faisant passer la sécurité d'une posture réactive à des réponses proactives en boucle fermée. Les agents distribués favorisent l'auto-optimisation en apprenant en continu, tandis que l'apprentissage fédéré préserve l'efficacité sous contraintes de ressources. D'autres travaux portent sur la sécurité de la couche physique pour le térahertz, les architectures Zero Trust par agents hiérarchiques, les modèles temporels à base de graphes pour les attaques multi-étapes, la défense adversariale contre l'empoisonnement de données, et des boucles de décision hybrides équilibrant efficacité et sécurité. Ces approches restent toutefois étudiées isolément, d'où un manque concernant leur combinaison pour une cyberdéfense légère et autonome, efficace, scalable et déployable en périphérie 6G.
Face à ce constat, cette thèse vise à développer et évaluer un cadre d'IA agentique léger pour une cyberdéfense intelligente, autonome et adaptative en périphérie 6G, associant modèles d'IA légers et décision distribuée par agents pour une détection en temps réel, une adaptation continue et une réponse efficace sous contraintes de ressources. Cinq objectifs structurent les travaux : (1) analyser les défis de sécurité et surfaces d'attaque des réseaux périphériques 6G, distribués, dynamiques et à ressources limitées ; (2) développer des modèles d'IA légers pour la détection en temps réel, opérant sous les limites de calcul, mémoire et énergie des appareils périphériques ; (3) concevoir un cadre d'IA agentique distribué permettant décision autonome et coordination entre agents ; (4) développer des mécanismes adaptatifs ajustant en continu les décisions face à l'évolution du réseau, en réduisant la dépendance à une gestion centralisée ; et (5) mettre en oeuvre et évaluer le cadre en conditions réalistes, en mesurant précision, temps de réponse, consommation de ressources, surcoût de communication et scalabilité face aux approches existantes. Le plan triennal débute par la revue de littérature, l'identification des lacunes et questions de recherche, la méthodologie et des modèles légers initiaux en année 1 ; se poursuit avec l'architecture agentique, les agents distribués, la détection adaptative, l'apprentissage fédéré et la défense adversariale en année 2 ; puis s'achève en année 3 par l'intégration du cadre, son optimisation, des expérimentations comparatives, des publications, la rédaction, et la soutenance. 6G networks will rely heavily on edge computing to meet demands for ultra-low latency, massive connectivity, and intelligent services based on native AI, but this distributed architecture exposes new attack surfaces (IoT devices, wireless links, edge servers, network slices) to threats such as DDoS, spoofing, malware, and jamming. Traditional rule-based defenses struggle against evolving threats, and existing AI/ML models are often too resource-intensive for constrained edge devices. Lightweight agentic AI thus emerges as a promising direction, though current research on agentic AI, federated learning, Zero Trust, and adversarial defense remains largely fragmented rather than integrated for edge deployment. Develop and evaluate a lightweight agentic AI framework for intelligent, autonomous cyber defense in 6G edge networks, combining real-time threat detection with distributed agent-based decision-making under resource constraints (computation, memory, energy). The framework will target continuous adaptation to evolving threats, with evaluation under realistic conditions (accuracy, response time, scalability) against existing approaches. The research will proceed in three phases combining literature analysis, model design, and experimental validation. First, security challenges and attack surfaces specific to 6G edge networks will be characterized to define requirements and datasets. Lightweight AI models will then be developed for real-time threat detection and integrated into a distributed agentic architecture enabling autonomous, coordinated decision-making among security agents, incorporating federated learning and adversarial-robustness techniques to preserve efficiency under resource constraints. Adaptive mechanisms will allow the system to continuously adjust to evolving threats and network conditions without relying on centralized control. Finally, the resulting framework will be implemented and benchmarked in realistic 6G edge scenarios, evaluating detection accuracy, response time, resource consumption, communication overhead, and scalability against existing approaches.