Avis de Soutenance
Monsieur Tafsir Moussa SAKHO
Sciences du traitement du signal et des images
Soutiendra publiquement ses travaux de thèse intitulés
Sécurité et confidentialité des protocoles de communication dans les réseaux véhiculaires ad-hoc collaboratifs et entièrement distribués
Travaux dirigés par Monsieur Jalel BEN OTHMAN
Soutenance prévue le mardi 12 mai 2026 à 10h30
Lieu : CentraleSupélec, bâtiment Eiffel, 8 Rue Joliot-Curie, 91190 Gif-Sur-Yvette
Salle : Amphi V
Composition du jury
Mme Selma BOUMERDASSI Professeure des universités Université Paris 8 Vincennes – Saint-Denis Rapporteure
M. Marco DI RENZO Directeur de recherche CNRS/CentraleSupélec – Université Paris-Saclay Examinateur
M. Boubaker DAACHI Professeur des universités Université Paris 8 Vincennes – Saint-Denis Examinateur
M. Jaafar GABER Professeur des universités Université de Technologie de Belfort Montbéliard Examinateur
M. Hacène FOUCHAL Professeur des universités Université de Reims Champagne-Ardenne Examinateur
M. Pascal LORENZ Professeur des universités Université de Haute-Alsace Rapporteur
Mots-clés : Sécurité, Confidentialité, VANET, Apprentissage automatique fédéré décentralisé, Prédiction de mobilité, Algorithmes de communication
Résumé :
Les systèmes de transport intelligents (ITS), composantes essentielles des villes intelligentes, reposent sur l’intégration de technologies avancées visant à améliorer l’efficacité, la sécurité, la durabilité et le confort du transport. L’émergence des véhicules autonomes et connectés a profondément transformé ce paysage, en introduisant des capacités de perception, de décision autonome et de communication en temps réel. Au sein des réseaux véhiculaires de type VANET (Vehicular Ad-hoc Networks), les véhicules peuvent communiquer entre eux, interagir avec l’infrastructure routière, ou avec tout autre objet connecté du système ITS, formant ainsi un environnement distribué, dynamique et hautement interopérable. Cependant, cette connectivité accrue expose les véhicules à un large éventail de vulnérabilités. La sécurité des protocoles de communication devient alors un enjeu majeur, notamment face à des menaces telles que l’usurpation d’identité, les attaques Sybil, les attaques par déni de service ou encore les attaques par empoisonnement. Ainsi, l’objectif de cette thèse est d’analyser ces menaces spécifiques et de proposer des mécanismes de sécurisation adaptés aux contraintes propres aux véhicules connectés : forte mobilité, latence faible, ressources limitées et nature collaborative des échanges. Toutefois, comprendre, savoir imiter et anticiper les mouvements des véhicules est essentiel pour mieux appréhender les défis liés à la sécurité et à la préservation de la vie privée dans ce type d’environnement. Pour ces raisons, nous avons d’abord étudié les modèles de mobilité, puis conçu un framework de simulation collaboratif reposant sur l’apprentissage automatique fédéré. Un modèle de prédiction de trajectoire, basé sur des réseaux de neurones artificiels de type Transformer, a été intégré à ce framework. Par la suite, nous avons développé une approche de prédiction de mobilité entièrement décentralisée, combinant une architecture personnalisée du Transformer, pour la prédiction de trajectoires, et un algorithme de communication peer-to-peer de type gossip. Les véhicules échangent uniquement les paramètres de leurs modèles locaux, préservant ainsi la confidentialité des données brutes tout en favorisant l’apprentissage collaboratif. Une solution de sécurité et de préservation de la vie privée a été intégrée à ce système. Cette solution utilise un système de détection et de riposte contre les anomalies
reposant sur des vérifications de cohérence et de plausibilité basées sur des erreurs d’innovation calculées par un filtre de Kalman étendu. Ce système permet de détecter les comportements malveillants et d’exclure les véhicules suspects en temps réel. Il est renforcé par un mécanisme léger de chiffrement et de signature unifiée, garantissant l’authenticité, la confidentialité et l’intégrité des messages échangés. L’approche de sécurité proposée a été validée expérimentalement à travers la simulation de plusieurs types d’attaques, notamment des attaques par empoisonnement, des attaques Sybil et des attaques DoS. Les résultats obtenus démontrent une efficacité très élevée en matière de détection d’anomalies et de résilience, tout en ne nécessitant qu’un coût réduit en termes de calcul et de communication, la rendant ainsi compatible avec les contraintes des systèmes VANETs embarqués.
Summary:
Intelligent Transportation Systems (ITS), key components of smart cities, rely on integrating advanced technologies designed to enhance transportation systems’ efficiency, safety, sustainability, and comfort. The emergence of autonomous and connected vehicles has profoundly
reshaped this landscape by introducing real-time perception, autonomous decision-making, and communication capabilities. Within Vehicular Ad-hoc Networks (VANETs), vehicles can communicate with each other, interact with road infrastructure, and exchange data with other thing connected to the ITS system, thus forming a distributed, dynamic, and highly interoperable environment. However, this increased connectivity also exposes vehicles to a wide range of vulnerabilities. Securing communication protocols has therefore become a critical issue, particularly against threats such as identity spoofing, Sybil attacks, denial-of-service (DoS) attacks, and data poisoning. This thesis aims to analyze these specific threats and propose security mechanisms tailored to the constraints inherent to connected vehicles: high mobility, low latency, limited computational resources, and a collaborative communication model. To better address the safety and privacy challenges in this environment, it is crucial to understand, mimic, and anticipate vehicle movements. To this end, we first studied mobility models and then developed a collaborative simulation environment based using federated learning (FL) techniques. A trajectory prediction model, using long short-term memory a customized Transformer architecture, was integrated into this framework. Subsequently, we designed a fully decentralized mobility model that combines the customized Transformer-based trajectory prediction architecture with a gossip-type communication algorithm. In the proposed approach, vehicles exchange only the parameters of their local neural network models, thereby preserving the privacy of raw data while enabling collaborative learning. A lightweight security solution was integrated into this system, combining encryption and digital signature in a unified step to ensure message authenticity, confidentiality, and integrity. In parallel, an anomaly detection and response mechanism was implemented, relying on consistency and plausibility checks based on innovation errors calculated using an extended Kalman filter. This system enables the real-time identification and isolation of malicious behavior within the network. The proposed security method was experimentally validated by simulating various types of attacks, including poisoning attacks, Sybil attacks, and DoS attacks. The results demonstrate very high effectiveness in anomaly detection and resilience, while maintaining low computational and communication overhead, making it suitable for embedded VANETs systems
