Contribution à l’apprentissage non supervisé de protocoles pour la couche de Liaison de données dans les systèmes communicants, à l'aide des Réseaux Bayésiens

Contribution to unsupervised learning of Data Link layer protocols in communicating systems, using Bayesian Networks

• Auteur / Autrice : Pierre-Samuel Greau-Hamard
• Direction : Yves Louët, Moïse Djoko-Kouam
• Type : Thèse de doctorat
• Discipline(s) : Télécommunications (STIC)
• Date : Soutenance le 25/11/2021
• Etablissement(s) : CentraleSupélec
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Institut d'Électronique et de Télécommunications (Rennes)
• Jury : Président / Présidente : Alain-Jérôme Fougères
• Jury : Examinateurs / Examinatrices : Samia Bouzefrane, Nathalie Peyrard, Laurence Likforman-Sulem
• Jury : Rapporteur / Rapporteuse : Samia Bouzefrane, Nathalie Peyrard

Mots clés

Mots clés contrôlés

Rétro-ingénierie (informatique)

Statistique bayésienne

Internet des objets

Mots clés libres

Protocol Reverse Engineering

Latent Dirichlet Allocation

Internet des Objets

Réseaux Bayésiens

Semi-chaînes de Markov cachées

Protocoles binaires

Protocol Reverse Engineering

Latent Dirichlet Allocation

Internet of Things

Bayesian networks

Hidden semi-Markov models

Binary protocols

Résumé

Le monde des télécommunications est en rapide développement, surtout dans le domaine de l'internet des objets; dans un tel contexte, il serait utile de pouvoir analyser n'importe quel protocole inconnu auquel on pourrait se trouver confronté. Dans ce but, l'obtention de la machine d'états et des formats de trames du protocole cible est indispensable. Ces deux éléments peuvent être extraits de traces réseaux et/ou traces d'exécution à l'aide de techniques de Protocol Reverse Engineering (PRE).A l'aide de l'analyse des performances de trois algorithmes utilisés dans des systèmes de PRE, nous avons découvert le potentiel des modèles basés sur les réseaux Bayésiens. Nous avons ensuite développé Bayesian Network Frame Format Finder (BaNet3F), notre propre modèle d'apprentissage de format de trames basé sur les réseaux Bayésiens, et nous avons montré que ses performances sont nettement supérieures à celles de l'état de l'art. BaNet3F inclut également une version optimisée de l'algorithme de Viterbi, applicable à un réseau Bayésien quelconque, grâce à sa capacité à générer lui-même les frontières de Markov nécessaires.

The world of telecommunications is rapidly developing, especially in the area of the Internet of Things; in such a context, it would be useful to be able to analyze any unknown protocol one might encounter. For this purpose, obtaining the state machine and frame formats of the target protocol is essential. These two elements can be extracted from network traces and/or execution traces using Protocol Reverse Engineering (PRE) techniques.By analyzing the performance of three algorithms used in PRE systems, we discovered the potential of models based on Bayesian networks. We then developed Bayesian Network Frame Format Finder (BaNet3F), our own frame format learning model based on Bayesian networks, and showed that its performance is significantly better than the state of the art. BaNet3F also includes an optimized version of the Viterbi algorithm, applicable to any Bayesian network, thanks to its ability to generate the necessary Markov boundaries itself.