Un nouveau nom, un nouveau logo, mais une mission inchangée : former des ingénieurs passionnés, engagés et déterminés à bâtir le monde de demain.
« 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 »
Thèse présentée et soutenue le 25 novembre 2021 à 10h00 à l’ECAM Rennes
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.
Rechercher