Equipe Interactions logiciels, matériel et environnement (SHAKER)

Exploration minière, surveillance portuaire ou côtière… Ces activités sont de plus en plus souvent assurées par des meutes de drones pilotées de façon semi-automatique. Seulement, la complexité de leurs réseaux les rend vulnérables aux cyberattaques.

Afin d’assurer la sécurité des données contenues et transmises entre drones, l’équipe « Interactions logiciels, matériel et environnement » (Shaker) d’ENSTA Bretagne et du Lab-STICC, a lancé en septembre 2022 le projet DISPEED* avec l’AID. Son objectif ? « Mettre au point un système de détection des intrusions (IDS) qui prend en compte les ressources dont dispose chacun des drones de la meute en termes de capacité de calcul et d’énergie », présente Camélia Slimani, post-doctorante à l’ENSTA Bretagne et membre de l’équipe. 

Les IDSs les plus répandus reposent sur des algorithmes de machine learning qui requièrent une puissance de calcul et de mémorisation importante. Or tous les types de drones ne disposent pas des mêmes capacités de traitement (processeurs, mémoires, stockage), ce qui affecte leur performance en matière de cybersécurité. « Tout l’enjeu est de proposer un modèle d’exécution qui fournisse un compromis pertinent entre rapidité de détection et consommation énergétique en fonction de la criticité de l’attaque et de l’état du système et de la mission », précise la chercheuse.

Dans un premier temps, l’équipe de recherche réalise une étude de performance et de consommation énergétique de plusieurs IDSs existants avant d’établir une stratégie d’exécution qui s’adapte aux missions choisies pour une population de drones évoluant en toute autonomie.
 

*Projet "Détection d'Intrusion et Compromis Sécurité / performance / Energie, Etude pour les meutes de Drones" financé par l'Agence Innovation Défense du Ministère des Armées

• L’objectif de ce projet : développer des méthodes et outils permettant de modéliser les profils d’accès aux données de façon frugale et peu intrusive puis d’utiliser les modèles établis afin de développer des stratégies d’optimisation de la consommation énergétique des nœuds de calcul pendant la phase d’accès aux données.
• Financement : Atos
• pilote : Jalil BOUKHOBZA, enseignant-chercheur ENSTA Bretagne / laboratoire Lab-STICC (pôle SHARP, équipe SHAKER)

Les systèmes de stockage représentent, en termes de performance, l’un des maillons faibles les plus importants dans un système informatique, en particulier pour les applications qui traitent des quantités importantes de données comme c’est le cas dans le domaine du calcul haute performance (HPC).  

L'émergence de nouvelles technologies de stockage représente une opportunité pour réduire l’écart de performance entre stockage et mémoire de travail mais aussi la consommation énergétique. 

Ces technologies sont déployées à plusieurs niveaux :
- support de stockage (par exemple 3DxPoint),
- son interface (par exemple NVMe),
- ou sa gestion logicielle (par exemple object store).

Ces technos impliquent une croissance importante de la complexité de la gestion du stockage afin de satisfaire les contraintes de qualité de service des applications. 
 

Objectif : proposer un modèle et des stratégies pour l’exécution des systèmes de détection d’intrusion embarqués sur des drones munis d'architectures hétérogènes et qui fournissent un compromis pertinent selon la criticité de l’attaque et l’état du système et de la mission entre rapidité de détection / consommation énergétique.

• Financement : AID
• Partenaires : FORTH Grèce, Naval Group, UBO
• Pilote : Jalil Boukhobza, enseignant-chercheur ENSTA Bretagne / laboratoire Lab-STICC (pôle SHARP, équipe SHAKER)

Le fonctionnement distribué des meutes de drones en mission les rend sensibles à diverses attaques qui doivent absolument être détectées. Ces drones embarquent des composants matériels (calcul et mémorisation) hétérogènes en puissance de calcul et en consommation énergétique pour exécuter les diverses tâches nécessaires à leur mission.

L’objectif du projet est de développer des modèles, des stratégies et des outils permettant d’optimiser le coût énergétique de la détection d’intrusion sur meute de drones ou tout autre système coopératif fortement contraint en énergie ou en puissance matérielle. Ces systèmes fonctionnent en coopération pour accomplir une mission commune. La charge réseau varie donc énormément en fonction du contexte de la mission. Le système de détection d’intrusion n’a donc pas besoin d’être exécuté en permanence sur un équipement nécessitant une puissance matérielle importante et qui consomme une part conséquente de l’énergie du système.

L’enjeu du projet est donc d’étudier et analyser comment il est possible d’adapter l’exécution de l’IDS en utilisant divers composants matériels en fonction de cette charge réseau et du contexte de la mission.

Il s’articule autour de 4 verrous :

• Verrou 1 : la modélisation de l’environnement d’exécution
• Verrou 2 : la mise en place d’une plateforme d’évaluation
• Verrou 3 : la conception d’une stratégie de choix de configuration à base d’outillage d’optimisation multi-objectif
• Verrou 4 : le mise en place de solution de déport/équilibrage inter-drone de calcul pour la réduction de la consommation énergétique.

Objectif :  concevoir des stratégies de placement de données efficaces sur des architectures de stockage multi-tiers dans le domaine du calcul hautes performances.

• Financement : CEA
• Pilote : Jalil Boukhobza enseignant-chercheur ENSTA Bretagne / laboratoire Lab-STICC (pôle SHARP, équipe SHAKER)

Les systèmes de stockage représentent, en terme de performance, l’un des maillons faibles les plus importants dans un système informatique, en particulier pour les applications qui traitent des quantités importantes de données. L'émergence de nouvelles technologies de stockage représente une opportunité pour réduire l’écart de performance entre stockage et mémoire de travail. Ces technologies, déployées tant au niveau du support de stockage (par exemple 3DxPoint), de son interface (par exemple NVMe), voire de sa gestion logicielle (par exemple object store), implique une croissance importante de la complexité de la gestion du stockage. De plus, avec l’essor du “big Data”, de plus en plus d’applications traitent des masses importantes de données. Ces applications présentent des niveaux de criticité différents.

Dans ce contexte, nous nous proposons d’étudier et de proposer de nouvelles stratégies de placement de données à niveaux de criticité différents sur des systèmes de stockage hétérogènes et géo distribués. Nous explorerons, dans le cadre de ce projet, plusieurs techniques parmi lesquelles l’apprentissage automatique, l’apprentissage par renforcement ou des méthodes d’optimisation, afin de garantir un placement efficace en-ligne des données.