• Langue : Anglais
• Discipline : Informatique et applications
• Identifiant : 2025ULILB014
• Type de thèse : Doctorat
• Date de soutenance : 19/09/2025

Résumé en langue originale

À l'ère de la connectivité sans fil omniprésente, des milliards d'appareils intelligents et de capteurs s'interconnectent de manière transparente pour former l'Internet des objets (IoT). Cette ubiquité des technologies sans fil offre d'immenses avantages, mais expose également de nouvelles vulnérabilités cyber-physiques. Cette thèse explore des techniques de surveillance avancées pour détecter et localiser les cyberattaques dans les réseaux sans fil, en répondant à des menaces allant des drones malveillants franchissant les périmètres physiques aux dispositifs usurpateurs imitant des nœuds légitimes du réseau. Nous adoptons une approche en deux volets. La première partie de la thèse est consacrée à la détection des intrusions physiques : nous développons un système de détection de drones audio-visuel qui fusionne les signatures acoustiques et les images infrarouges via des réseaux de neurones profonds afin de surmonter les limites des systèmes à capteur unique. Nous introduisons également TRIDENT, un moteur de détection d'intrusion trimodal combinant les signaux audio, vidéo et radiofréquence (RF) pour une détection en temps réel des cibles aériennes non autorisées.La seconde partie se concentre sur l'authentification des dispositifs au niveau de la couche physique : nous concevons un schéma hybride d'authentification, assisté par apprentissage automatique, exploitant les imperfections intrinsèques du matériel radio (par exemple, les décalages d'oscillateur) pour vérifier de manière robuste les dispositifs sans fil dans des réseaux multi-nœuds. Nous proposons également une technique d'empreinte RF multi-bande capable de distinguer une multitude d'appareils IoT—comme retrouver une aiguille dans une botte de foin spectrale—même dans des conditions de canal dynamiques. À travers des expérimentations et évaluations approfondies, nos contributions démontrent une précision de détection accrue, des temps de réponse rapides et une meilleure résilience face aux conditions adverses. Ensemble, ces résultats font progresser l'état de l'art en matière de sécurité de l'IoT, en fournissant des défenses multicouches qui renforcent à la fois la sécurité physique de l'environnement et la fiabilité des communications sans fil.

Résumé traduit

In an era of pervasive wireless connectivity, billions of smart devices and sensors seamlessly interlink to form the Internet of Things (IoT). This ubiquity of wireless technology brings immense benefits but also exposes new cyber-physical vulnerabilities. This dissertation investigates advanced monitoring techniques to detect and localize cyber attacks in wireless networks, addressing threats ranging from rogue drones breaching physical perimeters to impostor devices mimicking legitimate network nodes. We pursue a two-pronged approach. Part I of the thesis focuses on physical intrusion detection: we develop an audio-visual drone detection framework that fuses acoustic signatures and infrared imagery via deep learning to overcome the limitations of single-sensor systems, and we introduce TRIDENT, a tri-modal intrusion detection engine that combines audio, video, and Radio Frequency (RF) signals for real-time detection of unauthorized aerial targets. Part II concentrates on physical-layer device authentication: we design a machine learning-assisted hybrid physical-layer authentication scheme that leverages inherent radio hardware impairments (e.g., oscillator offsets) to robustly verify wireless devices in multi-node networks, and we propose a multi-band RF fingerprinting technique capable of distinguishing myriad IoT devices—like finding a needle in the spectrum haystack—even under dynamic channel conditions. Through comprehensive experiments and evaluations, our contributions demonstrate enhanced detection accuracy, rapid response times, and improved resilience against adversarial conditions. Collectively, these results advance the state of the art in IoT security, providing layered defenses that augment both the physical security of the environment and the trustworthiness of wireless communications.