Modèles d'IA agentique légers pour la cyberdéfense intelligente dans les réseaux périphériques 6G

Le déploiement des réseaux 6G devrait apporter des débits bien plus élevés, une latence très faible et une connectivité massive d'appareils, avec des applications comme l'IoT, les systèmes autonomes ou les villes intelligentes qui dépendront fortement de l'edge computing pour rapprocher l'intelligence des utilisateurs. Si l'edge computing réduit les délais en traitant les données près de leur source, le nombre croissant d'appareils connectés expose de nouvelles surfaces d'attaque : objets IoT, liaisons sans fil, serveurs et slices deviennent des cibles pour les attaques DDoS, l'usurpation d'identité, les logiciels malveillants, le brouillage et la manipulation de données, menaçant la performance et la disponibilité des services 6G. La cyberdéfense traditionnelle repose sur des règles et signatures d'attaques connues, efficaces contre les menaces familières mais peu adaptées aux menaces nouvelles et évolutives. L'IA et l'apprentissage automatique peuvent aider en apprenant les schémas de trafic et en accélérant les décisions de sécurité, mais la plupart des modèles d'apprentissage profond exigent une puissance de calcul, une mémoire et une énergie que les appareils périphériques ne peuvent pas toujours fournir. Les modèles d'IA agentique légers apparaissent donc comme une voie prometteuse, combinant analyse efficace des menaces et décision adaptative et autonome au plus près du réseau. La littérature récente montre que l'IA agentique permet une atténuation autonome et en temps réel des menaces en périphérie, grâce à une orchestration multi-agents faisant passer la sécurité d'une posture réactive à des réponses proactives en boucle fermée. Les agents distribués favorisent l'auto-optimisation en apprenant en continu, tandis que l'apprentissage fédéré préserve l'efficacité sous contraintes de ressources. D'autres travaux portent sur la sécurité de la couche physique pour le térahertz, les architectures Zero Trust par agents hiérarchiques, les modèles temporels à base de graphes pour les attaques multi-étapes, la défense adversariale contre l'empoisonnement de données, et des boucles de décision hybrides équilibrant efficacité et sécurité. Ces approches restent toutefois étudiées isolément, d'où un manque concernant leur combinaison pour une cyberdéfense légère et autonome, efficace, scalable et déployable en périphérie 6G. Face à ce constat, cette thèse vise à développer et évaluer un cadre d'IA agentique léger pour une cyberdéfense intelligente, autonome et adaptative en périphérie 6G, associant modèles d'IA légers et décision distribuée par agents pour une détection en temps réel, une adaptation continue et une réponse efficace sous contraintes de ressources. Cinq objectifs structurent les travaux : (1) analyser les défis de sécurité et surfaces d'attaque des réseaux périphériques 6G, distribués, dynamiques et à ressources limitées ; (2) développer des modèles d'IA légers pour la détection en temps réel, opérant sous les limites de calcul, mémoire et énergie des appareils périphériques ; (3) concevoir un cadre d'IA agentique distribué permettant décision autonome et coordination entre agents ; (4) développer des mécanismes adaptatifs ajustant en continu les décisions face à l'évolution du réseau, en réduisant la dépendance à une gestion centralisée ; et (5) mettre en œuvre et évaluer le cadre en conditions réalistes, en mesurant précision, temps de réponse, consommation de ressources, surcoût de communication et scalabilité face aux approches existantes. Le plan triennal débute par la revue de littérature, l'identification des lacunes et questions de recherche, la méthodologie et des modèles légers initiaux en année 1 ; se poursuit avec l'architecture agentique, les agents distribués, la détection adaptative, l'apprentissage fédéré et la défense adversariale en année 2 ; puis s'achève en année 3 par l'intégration du cadre, son optimisation, des expérimentations comparatives, des publications, la rédaction, et la soutenance. École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Direction : Khalil DRIRA Financement : MSCA COFUND BEST