Vers des solutions de sécurité et de confidentialité intelligentes et légères pour l’IIoT

Face à la croissance rapide des systèmes industriels connectés, la sécurité de l’Internet des Objets Industriels (IIoT) devient une priorité, en particulier en ce qui concerne la détection d’intrusions dans des environnements contraints en ressources. Cette thèse s’intéresse à la conception de mécanismes intelligents et efficaces capables d’assurer cette détection sans compromettre ni la confidentialité des données ni la performance. Elle présente une progression de solutions techniques allant de la modélisation stochastique pour la détection d’anomalies à des classificateurs profonds guidés par la confiance, jusqu’à des architectures d’apprentissage scindé et des variantes hybrides intégrant des circuits quantiques variationnels. Ces approches ont été implémentées et évaluées sur des données réelles issues de réseaux IIoT, démontrant des gains notables en précision, en robustesse et en capacité de déploiement à l’échelle de l’edge. Les résultats soulignent l’intérêt de paradigmes d’apprentissage adaptés, enrichis par des optimisations spécifiques au domaine et des techniques issues de l’informatique quantique. Ce travail ouvre ainsi la voie à des architectures de sécurité IIoT plus souples, distribuées et respectueuses de la vie privée.