Identification par apprentissage de l’empreinte radio-fréquence de dispositifs sensibles

L’identification de dispositifs dits sensibles est soumise à différentes contraintes de sécurité ou de consommation d’énergie, ce qui rend les méthodes d’identification classiques peu adaptées. Pour répondre à ces contraintes, il est possible d’utiliser les défauts intrinsèques de la chaîne de transmission des dispositifs pour les identifier. Ces défauts altèrent le signal transmis et créent alors une signature par nature unique et non reproductible appelée empreinte Radio Fréquence (RF). Pour identifier un dispositif grâce à son empreinte RF, il est possible d’utiliser des méthodes d’estimation d’imperfections pour extraire une signature qui peut être utilisée par un classifieur, ou bien d’utiliser des méthodes d’apprentissage telles que les réseaux de neurones. Toutefois, la capacité d’un réseau de neurones à reconnaître les dispositifs dans un contexte particulier dépend fortement de la base de données d’entraînement. Dans cette thèse, nous proposons un générateur de bases de données virtuelles basé sur des modèles de transmission et d’imperfections RF. Ces bases de données virtuelles permettent de mieux comprendre les tenants et aboutissants de l’identification RF et de proposer des solutions pour rendre l’identification plus robuste. Dans un second temps, nous nous intéressons aux problématiques de complexité de la solution d’identification via deux axes. Le premier consiste à utiliser des graphes programmables intriqués, qui sont des modèles d’apprentissage par renforcement, basés sur des techniques d’évolution génétique moins complexes que les réseaux de neurones. Le second axe propose l’utilisation de l’élagage sur des réseaux de neurones de la littérature pour réduire la complexité de ces derniers. 

Thèse dirigée par Matthieu Gautier

Composition du jury

• Fayçal AIT AOUDIA, NVIDIA
• Karine AMIS, IMT Atlantique
• Jean-Marie GORCE, INSA Lyon
• Erwan NOGUES, DGA
• Laurent ROS, Université Grenoble Alpes
• Matthieu GAUTIER, Université de Rennes
• Karol DESNOS, INSA Rennes
• Robin GERZAGUET, Université de Rennes