Contexte & Problématique
Les établissements de santé modernes hébergent des milliers d'équipements médicaux connectés (IoMT) particulièrement vulnérables aux cyberattaques. En raison des exigences légales strictes de confidentialité des données médicales, la centralisation des journaux d'événements et données patient est interdite. Ce sujet explore le déploiement du Federated Learning (apprentissage fédéré distribué) combiné à l'IA explicable (XAI) pour détecter les intrusions sans jamais partager les données brutes entre hôpitaux.
Objectifs principaux du projet
- Modéliser les flux réseau et les comportements atypiques des dispositifs IoMT hospitaliers.
- Développer un système collaboratif de détection d'intrusions (NIDS) basé sur le Federated Learning (FedAvg, FedProx) préservant la vie privée.
- Intégrer des techniques d'explicabilité (SHAP, LIME, TreeSHAP) permettant aux équipes de sécurité hospitalière d'analyser les alertes en temps réel.
- Évaluer la résilience du système face aux attaques adverses (empoisonnement de modèles, backdoors distribuées).
Stack technologique & Outils
Livrables attendus
- Framework d'apprentissage fédéré fonctionnel simulant un réseau multi-hôpitaux.
- Modèle d'IA de détection d'intrusions IoMT avec pipeline d'explicabilité temps réel.
- Tableau de bord unifié d'alertes et d'investigation pour les analystes de sécurité.
- Rapport de PFE de haut niveau académique avec benchmarks comparatifs.
Ce sujet vous intéresse ?
Envoyez votre CV accompagné d'une lettre de motivation mentionnant vos compétences techniques, vos projets académiques ou personnels pertinents ainsi que vos disponibilités.
Postuler à ce sujet