Thèse Orchestration de Services IA Concurrents sur Dispositifs Industriels en Périphérie Edge à Ressources Contraintes H/F Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris Télécom SudParis École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Laboratoire de recherche : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux Direction de la thèse : ROSARIO PATANE ORCID 0009000809159292 Début de la thèse : 2026-11-15 Date limite de candidature : 2026-12-31T23:59:59 L'Industrie 4.0 s'appuie de plus en plus sur des dispositifs IA en périphérie (Jetson, MCU/NPU) pour exécuter des services locaux tels que la maintenance prédictive, l'inspection qualité, la détection d'anomalies et l'optimisation énergétique. Pourtant, ces dispositifs restent largement sous-utilisés (moins de 20-30 % d'utilisation CPU/NPU en fonctionnement normal), alors que de nouveaux matériels continuent d'être acquis pour héberger des services additionnels. Cette situation est difficilement soutenable, tant sur le plan économique qu'environnemental, compte tenu de la demande croissante en matériaux critiques utilisés dans les semi-conducteurs.

Par ailleurs, la convergence OT/IT, portée par les réseaux 5G/6G et les architectures SDN, expose ces dispositifs industriels à de nouvelles menaces de cybersécurité, nécessitant l'intégration de systèmes de détection d'intrusion (IDS) - notamment via l'apprentissage fédéré, qui permet un entraînement collaboratif sans partage des données brutes.

Cette thèse vise à concevoir des méthodes d'orchestration permettant à plusieurs applications IA - industrielles et de cybersécurité - de s'exécuter simultanément sur un même dispositif contraint, en optimisant conjointement précision, énergie, latence et coûts de communication. Les travaux combineront apprentissage fédéré, split learning et techniques TinyML (élagage, quantification, distillation) pour gérer l'hétérogénéité des dispositifs et des données.

La thèse formalisera le problème d'orchestration comme un problème d'optimisation multi-objectif, proposera des politiques d'ordonnancement et de sélection des clients pour les rounds d'apprentissage fédéré, et étudiera des protocoles hiérarchiques adaptés aux architectures IoT-Edge-Cloud. Une attention particulière sera portée à la robustesse face aux attaques sur l'apprentissage fédéré (empoisonnement, fuite de confidentialité) et à l'équité de l'agrégation entre clients hétérogènes.

Un prototype de banc d'essai sera développé pour évaluer les approches proposées sur des jeux de données industriels réels, en combinant métriques de recherche (précision, taille de modèle, volume de communication) et indicateurs industriels (consommation énergétique, taux d'utilisation des dispositifs, taux de détection/fausses alarmes pour l'IDS).

Cette thèse sera menée conjointement entre Mines Saint-Étienne/DIWII (Lyon) et Telecom SudParis (Évry). Des collaborations sont attendues avec des partenaires industriels (Orange, Siemens, NVIDIA) et avec Inria Saclay, ainsi qu'avec un autre doctorant de DIWII travaillant sur le ML, l'IDS et la qualité des données. L'Industrie 4.0 déploie de plus en plus de dispositifs IA en périphérie pour exécuter des services locaux (maintenance prédictive, inspection qualité, détection d'anomalies, optimisation énergétique). Ces dispositifs restent pourtant largement sous-utilisés : le taux d'utilisation CPU/NPU en fonctionnement normal reste inférieur à 20-30 % [7], laissant une capacité de calcul importante inexploitée alors que du matériel supplémentaire continue d'être acquis pour héberger de nouveaux services IA.

Ce déploiement de nouveaux composants, alors que le matériel existant reste sous-exploité, va à l'encontre d'une stratégie rationnelle de réutilisation des ressources : la fabrication de semi-conducteurs dépend de matériaux critiques dont la demande mondiale devrait être multipliée par six d'ici 2030 [8]. Il existe donc un argument économique et environnemental fort en faveur de l'orchestration de charges de travail concurrentes sur une infrastructure déjà déployée.

Par ailleurs, l'interconnexion des réseaux industriels (convergence OT/IT, 5G/6G, SDN) expose ces dispositifs à de nouvelles menaces de cybersécurité qu'ils n'étaient pas conçus pour gérer. L'apprentissage fédéré [1] est particulièrement adapté au développement de systèmes de détection d'intrusion (IDS) [6] dans ce contexte : il conserve les données brutes en local tout en permettant un entraînement collaboratif entre IoT, edge et cloud.

Il existe ainsi un besoin réel de concevoir des systèmes IA capables d'héberger plusieurs applications concurrentes sur des dispositifs hétérogènes et contraints, tout en respectant des contraintes de performance, d'énergie, de latence et de sécurité. Étudier comment orchestrer et partager les ressources limitées (calcul, mémoire, réseau) d'un dispositif IA unique entre plusieurs applications concurrentes, y compris un IDS ;
Déterminer comment combiner ou adapter l'apprentissage fédéré, le split learning et le TinyML pour gérer l'hétérogénéité des modèles et des données (non-IID), la hiérarchie IoT-Edge-Cloud, et les contraintes matérielles fortes ;
Formuler le problème comme une optimisation multi-objectif (précision, énergie, communication, latence, équité, coût) intégrant les contraintes industrielles dans l'ordonnancement, le partitionnement de modèles, la compression et la sélection des clients ;
Identifier les stratégies de NAS, de compression (élagage, quantification, distillation) et de partitionnement offrant les meilleurs compromis pour des charges de travail concurrentes et des cas d'usage IDS ;
Évaluer la sécurité et la confidentialité (attaques sur l'apprentissage fédéré, empoisonnement, fuite de données) et prévenir les biais liés à l'agrégation sur des clients hétérogènes. Formaliser le problème d'orchestration des ressources pour des services IA concurrents sur dispositifs industriels contraints, et proposer des formulations d'optimisation multi-objectif ;
Concevoir des politiques d'orchestration et des algorithmes d'ordonnancement déterminant quel modèle (et quelles couches) s'exécute localement ou à distance, comment allouer le calcul, la mémoire et le réseau, et comment sélectionner les clients pour les rounds d'apprentissage fédéré ;
Étudier l'entraînement distribué/split learning, les adaptations TinyML, la recherche d'architecture (NAS) et les stratégies de compression adaptées aux charges de travail mixtes ;
Étudier des protocoles d'apprentissage fédéré hiérarchique, vertical/hybride, et des stratégies asynchrones adaptées aux réseaux multi-niveaux hétérogènes ;
Étudier des mesures de sécurité, robustesse, équité et confidentialité pour l'apprentissage fédéré ;
Développer un prototype de banc d'essai et un pipeline d'évaluation combinant jeux de données industriels et indicateurs de performance, afin de mesurer à la fois la performance ML et les métriques industrielles (énergie, utilisation des dispositifs, économies de matériel, taux de faux positifs/négatifs pour l'IDS).