Analyse structurelle et spectrale des graphes dynamiques pour la détection des attaques

Structural and spectral analysis of dynamic graphs for attack detection

• Auteur / Autrice : Majed Jaber
• Direction : Pierre Parrend, Aline Deruyver
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 19/12/2025
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
• Jury : Président / Présidente : Marc-Oliver Pahl
• Jury : Examinateurs / Examinatrices : Mohamed-Lamine Messai, Rushed Kanawati
• Jury : Rapporteurs / Rapporteuses : Marc-Oliver Pahl, Véronique Legrand
• DOI : 10.70675/3ce9dcbcz7273z4876zbe64z9083e7484a54

Mots clés

Mots clés contrôlés

Cyberterrorisme

Sécurité informatique

Mots clés libres

Analyse spectrale

Détection d'attaques

Topologies de graphes

Spectre

Laplacien

Valeurs propres

Fenêtrage temporel

Attaques avancées

Spectral Analysis

Attack Detection

Graph Topologies

Spectrum

Laplacian

Eigenvalues

Time-windowing

Advanced Attacks

Résumé

Cette thèse propose un cadre d’analyse spectrale et structurelle basé sur les graphes pour détecter les cyberattaques dans des réseaux dynamiques et hétérogènes, notamment dans l’Internet des objets médicaux (IoMT). Les modèles d’apprentissage automatique classiques échouent souvent à identifier les attaques faibles ou évolutives en raison de leur nature statique. Pour surmonter cettelimite, trois contributions sont introduites : la méthode Spectral Time-Windowing (SpectraTW),définissant de nouveaux indicateurs spectraux (Connectedness, Wiriness, Flooding, Asymmetry)pour repérer les attaques à faible signal ; la métrique BiFlowness, exploitant la topologie bipartite pour détecter précocement les attaques multi-étapes ; et la bibliothèque open-source Graph Processing for Machine Learning (GPML), un outil Python intégrant séries temporelles, métriques spectrales et graphes pour une analyse cybersécuritaire reproductible. Ces contributions renforcentla précision, la compréhension et la performance de la détection d’attaques dans les environnements IoMT et cyber-physiques.

This thesis presents a spectral and structural graph-based framework for detecting cyberattacks indynamic and heterogeneous networks, with a focus on the Internet of Medical Things (IoMT).Traditional machine learning models often fail to capture evolving or weak-signal attacks due to theirstatic data assumptions. To address this limitation, the work introduces three key contributions: theSpectral Time-Windowing (SpectraTW) method, which defines new spectral indicators(Connectedness, Wiriness, Flooding, Asymmetry) for detecting low-signal and multi-class attacks;the BiFlowness metric, which leverages bipartite graph topology for early-stage attack detection; andthe Graph Processing for Machine Learning (GPML) library, an open-source Python toolkit thatunifies time-series, spectral metrics, and graph-based processing for reproducible cybersecurityanalysis. Together, these contributions enhance the accuracy, interpretability, and scalability ofattack detection across complex IoMT and cyber-physical systems.