Intelligence artificielle pour la détection des attaques dans le réseau 5G-V2X

Artificial intelligence for attack detection in 5G-V2X networks

• Auteur / Autrice : Shajjad Hossain
• Direction : Sidi-Mohammed Senouci
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 01/07/2025
• Etablissement(s) : Dijon, Université Bourgogne Europe
• Ecole(s) doctorale(s) : SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques
• Partenaire(s) de recherche : Laboratoire : Département de Recherche en Ingénierie des Véhicules pour l'Environnement (DRIVE) (Nevers)
• Jury : Président / Présidente : Nadia Lynda Mokdad
• Jury : Examinateurs / Examinatrices : Lyes Khoukhi, Rahim Kacimi, Kamal Deep Singh, Sébastien Faye, Brik Bouziane, Véronique Vèque
• Jury : Rapporteurs / Rapporteuses : Lyes Khoukhi, Rahim Kacimi

Mots clés

Mots clés contrôlés

5G (téléphonie mobile)

Apprentissage automatique

Transports routiers

Intelligence artificielle

Mots clés libres

5g-V2x

Détection d'intrusion.

Ia

Sécurité

Apprentissage automatique

5g-V2x

Intrusion Detection Systems

Ai

Security

Deep Learning

Résumé

Les réseaux 5G-V2X promettent de révolutionner le transport routier en offrant des communications V2X ultra-fiables et à faible latence. Cette interconnexion massive expose cependant l'écosystème à de nouvelles menaces cybernétiques: une attaque ciblant le trafic V2X peut compromettre l'intégrité des données, la confidentialité des usagers et, la sécurité physique des véhicules. Les systèmes de détection d'intrusion (IDS) fondés sur l'intelligence artificielle représentent une réponse pertinente, mais leurs versions classiques demeurent coûteuses en ressources, peu respectueuses de la vie privée et inadaptées à la nature dynamique des tranches réseau 5G.Cette thèse propose trois contributions pour dépasser ces limites. Premièrement, un IDS auto-supervisé respectueux de la vie privée s'appuie sur l'apprentissage fédéré pour détecter des attaques sans partage de données brutes avec très peu de donnée annotée manuellement. Deuxièmement, un IDS léger basé sur la distillation de connaissances qui transfère l'expertise d'un modèle profond vers un modèle compact, compatible avec les contraintes de calcul des équipements tout en conservant une grande précision. Troisièmement, une orchestration adaptative par apprentissage par renforcement qui ajuste dynamiquement le déploiement et la configuration des IDS sur les différentes tranches 5G-V2X, optimisant ainsi l'allocation des ressources de sécurité au gré des menaces.

5G-V2X networks promise to revolutionize road transport by offering ultra-reliable, low-latency V2X communications. Yet this massive interconnection exposes the ecosystem to new cyber-threats: an attack targeting V2X traffic can compromise data integrity, user privacy and, ultimately, the physical safety of vehicles. Artificial-intelligence-based intrusion detection systems (IDS) provide a relevant response, but traditional versions remain resource-intensive, privacy-invasive and poorly suited to the dynamic nature of 5G network slices.This thesis makes three contributions to overcome these limitations. First, a privacy-preserving, self-supervised IDS leverages federated learning to detect attacks without sharing raw data and requiring very little manual labeling. Second, a lightweight IDS based on knowledge distillation transfers the expertise of a deep model to a compact one, compatible with device constraints while maintaining high accuracy. Third, an adaptive orchestration layer using reinforcement learning dynamically adjusts IDS deployment and configuration across the various 5G-V2X slices, thereby optimizing security-resource allocation as threats evolve.