Apprentissage non supervisé et MLOps pour la détection d'intrusions dans les réseaux 5G

CEA; Saclay; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Un institut de recherche en technologie à Saclay propose un stage visant à concevoir un système de détection d'intrusions (IDS) basé sur l'IA pour les réseaux 5G. Le stagiaire devra développer des modèles d'apprentissage non supervisé et un pipeline MLOps. Une immersion dans l'IA et la cybersécurité est offerte, avec des qualifications requises en deep learning et analyse.

Qualifications

• Bonne maîtrise du deep learning souhaitée.
• Connaissances en réseaux informatiques et sécurité appréciées.
• Capacité d’analyse et autonomie dans l'expérimentation.

Responsabilités

• Concevoir un IDS de nouvelle génération basé sur l'IA.
• Développer un pipeline MLOps intégrant préparation des données et monitoring.
• Valider l'approche sur des traces de réseau 5G.

Connaissances

Deep learning (PyTorch, TensorFlow)

Apprentissage non supervisé

Analyse

Curiosité scientifique

Autonomie

Formation

Étudiant(e) en Master 2 ou école d'ingénieurs

Outils

Python

MLOps

Description du poste

Site carrière CEA : toutes nos offres d'emploi

Vous n'avez pas encore votre propre espace candidat. Créez-le en cliquant ici.
Un souci ? Contactez-nous à
[e-mail]

Apprentissage non supervisé et MLOps pour la détection d'intrusions dans les réseaux 5G

Ce stage vise à concevoir un système de détection d'intrusions (IDS) de nouvelle génération fondé sur l'Intelligence Artificielle, adapté aux environnements dynamiques tels que les réseaux 5G. Le/la stagiaire explorera des approches d'apprentissage non supervisé et auto-supervisé, notamment les Auto-Encodeurs Variationnels, les Transformers et l'apprentissage contrastif, afin de détecter des anomalies sans étiquettes d'attaques. Il/elle développera également un pipeline MLOps complet intégrant préparation des données, inférence et monitoring, avec optimisation des seuils et des hyperparamètres pour un équilibre optimal entre détection et faux positifs. L'évaluation sera menée sur des traces de réseau 5G réelles ou simulées.

Mots-clés : cybersécurité, IA, apprentissage non supervisé, contrastive learning, MLOps, 5G.

Informations générales

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat. Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs. Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international. Les 20 000 collaborateurs partagent trois valeurs fondamentales :

• La conscience des responsabilités
• La coopération
• La curiosité

Référence

2025-37764

Description du poste

Sciences pour l'ingénieur

Intitulé de l'offre

Apprentissage non supervisé et MLOps pour la détection d'intrusions dans les réseaux 5G

Sujet de stage

Ce stage vise à concevoir un IDS de nouvelle génération fondé sur l'IA pour les réseaux 5G, explorant l'apprentissage non supervisé et auto-supervisé (Auto-Encodeurs Variationnels, Transformers, apprentissage contrastif) pour détecter des anomalies sans étiquettes d'attaques, et à développer un pipeline MLOps complet (préparation des données, inférence, monitoring, optimisation des seuils et hyperparamètres).

Description de l'offre

Au sein de notre laboratoire, nous menons des recherches sur l’application de l’Intelligence Artificielle à la nouvelle génération de systèmes de détection d’intrusions (IDS). La complexité et le dynamisme des infrastructures modernes, notamment les réseaux 5G, exigent des solutions capables de s’adapter en continu et de détecter des menaces inconnues sans supervision humaine constante.

Ce stage de recherche et développement a pour objectif de concevoir et d’évaluer des approches d’apprentissage automatique avancées pour un IDS intelligent et évolutif. Deux axes principaux structureront le travail : le premier porte sur la conception de modèles d'anomalies basés sur l'apprentissage non supervisé et auto-supervisé, explorant les techniques telles que les Auto-Encodeurs Variationnels, les Transformers ou l’apprentissage contrastif. Le second axe vise la mise en place d’un pipeline complet de déploiement (MLOps) intégrant la préparation des données, l'inférence et le monitoring du modèle, avec une attention particulière portée à l’optimisation des seuils de détection et des hyperparamètres pour un équilibre optimal entre détection et faux positifs.

L’approche sera validée sur des traces de réseau 5G réelles ou simulées, constituant un cas d’application concret et pertinent. Ce stage offre une immersion approfondie dans les problématiques actuelles à l’intersection de l’IA et de la cybersécurité, tout en permettant de développer des compétences solides en apprentissage automatique, en traitement de données réseau et en ingénierie MLOps.

Mots-clés : cybersécurité, détection d’anomalies, apprentissage non supervisé, apprentissage contrastif, MLOps, réseaux 5G, deep learning.

Profil du candidat

Étudiant(e) en Master 2, école d’ingénieurs ou équivalent, spécialisé(e) en intelligence artificielle, apprentissage automatique, data science ou cybersécurité. Une bonne maîtrise du deep learning (PyTorch, TensorFlow) et des techniques d’apprentissage non supervisé est souhaitée. Des connaissances en réseaux informatiques et en sécurité des systèmes seront fortement appréciées. Le/la candidat(e) devra démontrer une réelle capacité d’analyse, de curiosité scientifique et d’autonomie dans la conduite d’expérimentations. Une première expérience en traitement de données réseau, en MLOps ou en développement Python constituera un atout. Bonne communication écrite et goût pour la recherche appliquée sont également souhaités.