Thèse Orchestration Proactive pour la Sécurité des Systèmes Distribués H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : CEA /LIST - Laboratoire d'intégration de systèmes et de technologies Direction de la thèse : Mihail ASAVOAE ORCID 0000000152918567 Début de la thèse : 2026-12-15 Date limite de candidature : 2026-12-15T23:59:59 Dans un contexte où les architectures distribuées deviennent de plus en plus hétérogènes et dynamiques, la surface d'attaque s'élargit et impose de repenser la sécurité au-delà des mécanismes défensifs traditionnels. Les approches de sécurité proactive, et notamment le Moving Target Defense (MTD), visent à perturber l'adversaire en modifiant régulièrement la configuration du système (adresses réseau, réallocation de conteneurs, déploiement de leurres). Néanmoins, ces stratégies restent généralement statiques, limitées à un seul mécanisme et indépendantes de l'état matériel sous-jacent. Par ailleurs, les contre-mesures au niveau du cache (partitionnement, randomisation, ordonnancement) sont rarement intégrées à la logique décisionnelle des orchestrateurs. Cette thèse vise à rapprocher la vision système et la vision matérielle pour construire des orchestrateurs de confiance capables d'anticiper et d'adapter les défenses face à des attaques évolutives, ouvrant la voie à une sécurité proactive intelligente et matériellement informée dans les systèmes distribués. MTD has been extensively studied as a proactive defense mechanism for distributed systems.
Existing approaches fall into three main categories: network-level randomization [3, 2], service
refreshing through restart or migration of containerized services [1, 7], and decoy-based strategies
relying on honeypots or fake services [6, 5, 15].
A key challenge in these approaches is balancing security benefits against performance and
operational costs. While early work relied on analytical models or security metrics, recent stud-
ies leverage reinforcement learning to automatically select and schedule MTD actions. However,
most existing solutions consider MTD mechanisms in isolation and do not provide a unified de-
cision framework. More importantly, they largely ignore the impact of the underlying hardware
state on security and performance.
In parallel, a large body of work has focused on hardware-level countermeasures against
cache-based side-channel attacks, particularly Prime+Probe. These include cache partition-
ing [8, 12], cache randomization [14, 11], scheduling-based isolation [4, 10], and algorithmic
techniques that reduce program predictability [9, 13]. These defenses are typically studied in-
dependently from system-level orchestration and proactive security mechanisms L'objectif de la thèse est de concevoir un cadre d'orchestration MTD adaptatif et conscient de l'état matériel, capable d'ajuster dynamiquement les stratégies de défense en fonction de la charge, des performances et de la vulnérabilité observée. L'idée centrale est d'alimenter un agent d'apprentissage par renforcement avec des informations issues des compteurs matériels et des métriques locales de sécurité liées au cache partagé, afin qu'il sélectionne la meilleure combinaison de stratégies MTD selon le contexte observé.
Les contributions attendues concernent la définition d'une métrique locale de sécurité intégrant l'état du cache, la modélisation du système sous forme de graphe reliant services, ressources et surfaces d'attaque, la conception d'un agent RL décisionnel unifié pour la sélection automatique des stratégies, et enfin une évaluation multicritère (sécurité, performance, énergie) sur un cas d'usage automobile réaliste.

Master en informatique ou en ingénierie informatique
Excellentes connaissances en cybersécurité et en apprentissage automatique
Forte motivation et excellente maîtrise de l'anglais écrit et oral

• Anglais
• Pro-activité
• Machine learning
• Isolation
• Cyber-sécurité