Description
Date depot: 10 mars 2025
Titre: Sécurisation de l’apprentissage fédéré dans les IoMTs
Directeur de thèse:
Osman SALEM (Centre Borelli (EDITE))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Systèmes et réseaux
Resumé: L’Internet des Objets Médicaux (IoMTs) transforme la prise en charge des patients en permettant une surveillance continue des paramètres de santé. L’apprentissage fédéré (FL) s’impose comme une solution de choix pour entraîner des modèles d’IA sur des données sensibles sans les centraliser. Cependant, les défis liés à la sécurité des communications et à l’empreinte énergétique des dispositifs IoMTs demeurent critiques.
Cette thèse vise à renforcer la sécurité de l’apprentissage fédéré dans les IoMTs en explorant des approches basées sur le Split Learning (SL). Ce paradigme d’apprentissage distribué réduit l’exposition aux attaques en limitant la transmission des données brutes et permet un meilleur contrôle de la confidentialité. Toutefois, il présente des défis en termes d’efficacité énergétique et de performances, notamment sur des dispositifs IoMT à ressources limitées.
L’objectif est de proposer des mécanismes de protection avancés contre les attaques (inférence, empoisonnement, reconstruction de données) tout en optimisant la consommation énergétique. Cela inclura l’exploration de techniques de chiffrement léger, de compression de modèle et d’adaptations du Split Learning aux contraintes matérielles des IoMT. Une validation sera réalisée sur des cas d’usage concrets, en évaluant l’impact sur la précision des modèles, la latence et l’autonomie des dispositifs.
Objectifs :
- Analyser les vulnérabilités de l’apprentissage fédéré et du Split Learning dans les IoMT
- Développer des solutions sécurisées pour protéger les données et les modèles
- Optimiser l’efficacité énergétique des modèles pour les dispositifs IoMT
- Évaluer les performances des approches sur des plateformes réelles
L'objectif est de contribuer à la sécurisation des systèmes de santé connectés en proposant une approche hybride entre protection des données et optimisation des ressources computationnelles.
Résumé dans une autre langue: The Internet of Medical Things (IoMT) is transforming patient care by enabling continuous monitoring of health parameters. Federated Learning (FL) has emerged as a promising solution for training AI models on sensitive data without centralizing it. However, challenges related to communication security and the energy footprint of IoMT devices remain critical.
This thesis aims to enhance the security of federated learning in IoMT by exploring approaches based on Split Learning (SL). This distributed learning paradigm reduces exposure to attacks by limiting the transmission of raw data, thereby improving privacy control. However, it presents challenges in terms of energy efficiency and performance, particularly for resource-constrained IoMT devices.
The objective is to propose advanced protection mechanisms against attacks (inference, poisoning, data reconstruction) while optimizing energy consumption. This will include exploring lightweight encryption techniques, model compression, and adaptations of Split Learning to the hardware constraints of IoMT. Validation will be carried out on real-world use cases, assessing the impact on model accuracy, latency, and device autonomy.
Objectives:
- Analyze the vulnerabilities of federated learning and Split Learning in IoMT
- Develop secure solutions to protect data and models
- Optimize the energy efficiency of models for IoMT devices
- Evaluate the performance of the proposed approaches on real-world platforms
The goal is to contribute to the security of connected healthcare systems by proposing a hybrid approach that balances data protection and computational resource optimization.