Post-Doctorant F/H Transfert d’attaques entre jeux de données par IA

Assignment
Los de la création de datasets synthétiques, les attaques sont difficiles à générer à l’aide de machine learning : elles sont en effet spécialement conçues pour exploiter une vulnérabilité et, de ce fait, peuvent être rendues inefficaces par la moindre modification de leur payload ou de leur timing. Le transfert d’attaques d’un ensemble de données source vers un ensemble de données cible s’apparente au transfert de style. Le transfert de style est une tâche classique dans la génération d’images et de textes, où le contenu est préservé tandis que le style (pictural ou textuel) est modifié. Dans notre contexte, le « contenu » pourrait correspondre au comportement de l’attaque et à son impact sur le système, tandis que le « style » pourrait correspondre aux spécificités liées à l’environnement réseau, telles que les adresses IP et la latence. Plusieurs techniques de transfert de style ont été proposées pour les images et les textes, mais certaines d'entre elles pourraient être adaptées à notre contexte, comme [1], qui repose sur des auto-encodeurs adversariaux, ou [2], qui s'appuie sur de l'apprentissage par renforcement. Pour ce post-doc, nous proposons d'adapter ces travaux au contexte des datasets réseau.
[1] Zhuang, F., Qi, Z., Duan, K., Xi, D., Zhu, Y., Zhu, H., ... & He, Q. (2020). A comprehensive survey on transfer learning. Proceedings of the IEEE, 109(1), 43-76.
[2] Fu, Z., Tan, X., Peng, N., Zhao, D., & Yan, R. (2018, April). Style transfer in text: Exploration and evaluation. In Proceedings of the AAAI conference on artificial intelligence (Vol. 32, No. 1).
Main activities
Lors du post-doc, la personne recrutée devra :
établir un état de l’art
proposer des techniques pour arriver aux objectifs scientifiques
développer des prototypes logiciels pour répondre à des questions de recherche
écrire des articles scientifiques en vue de publications
participer à l’animation scientifique de l’équipe