Université de Rennes Sensitive devices Identification through learning of radio-frequency fingerprint Identification aveugle par apprentissage de l'empreinte radiofréquence de dispositif sensible Empreinte RFApprentissage profondIdentificationBase de donnéesModélisation Radio Frequency FingerprintDeep Learning, DatabaseModel Systèmes d'identification par radiofréquence Apprentissage automatique Bases de données L’identification de dispositifs dits sensibles est soumise à différentes contraintes de sécurité ou de consommation d’énergie, ce qui rend les méthodes d’identification classiques peu adaptées. Pour répondre à ces contraintes, il est possible d’utiliser les défauts intrinsèques de la chaîne de transmission des dispositifs pour les identifier. Ces défauts altèrent le signal transmis et créent alors une signature par nature unique et non reproductible appelée empreinte Radio Fréquence (RF). Pour identifier un dispositif grâce à son empreinte RF, il est possible d’utiliser des méthodes d’estimation d’imperfections pour extraire une signature qui peut être utilisée par un classifieur, ou bien d’utiliser des méthodes d’apprentissage telles que les réseaux de neurones. Toutefois, la capacité d’un réseau de neurones à reconnaître les dispositifs dans un contexte particulier dépend fortement de la base de données d’entraînement. Dans cette thèse, nous proposons un générateur de bases de données virtuelles basé sur des modèles de transmission et d’imperfections RF. Ces bases de données virtuelles permettent de mieux comprendre les tenants et aboutissants de l’identification RF et de proposer des solutions pour rendre l’identification plus robuste. Dans un second temps, nous nous intéressons aux problématiques de complexité de la solution d’identification via deux axes. Le premier consiste à utiliser des graphes programmables intriqués, qui sont des modèles d’apprentissage par renforcement, basés sur des techniques d’évolution génétique moins complexes que les réseaux de neurones. Le second axe propose l’utilisation de l’élagage sur des réseaux de neurones de la littérature pour réduire la complexité de ces derniers. Identifying so-called sensitive devices is subject to various security or energy consumption constraints, making conventional identification methods unsuitable. To meet these constraints, it is possible to use intrinsic faults in the device’s transmission chain to identify them. These faults alter the transmitted signal, creating an inherently unique and non-reproducible signature known as the Radio Frequency (RF) fingerprint. To identify a device using its RF fingerprint, it is possible to use imperfection estimation methods to extract a signature that can be used by a classifier, or to use learning methods such as neural networks. However, the ability of a neural network to recognize devices in a particular context is highly dependent on the training database. This thesis proposes a virtual database generator based on RF transmission and imperfection models. These virtual databases allow us to better understand the ins and outs of RF identification and to propose solutions to make identification more robust. Secondly, we are looking at the complexity of the identification solution in two ways. The first involves the use of intricate programmable graphs, which are reinforcement learning models based on genetic evolution techniques that are less complex than neural networks. The second is to use pruning on neural networks found in the literature to reduce their complexity. Electronic Thesis or DissertationText en application/pdf1 : 4793 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/4757e11c-b57f-4890-bd49-36d74512acbd Chillet Alice 1998-09-17 FR 282672435 alice.chillet@orange.fr 2024URENS051 http://www.theses.fr/2024URENS051 2024-11-21 Télécommunications Université de Rennesthesis.degree.grantor_1 26693823X Doctorat non ouiGautierMatthieuintervenant_1112945384AmisKarineintervenant_2059807598GautierMatthieuintervenant_1112945384Aït-AoudiaFayçalintervenant_5226221024NoguesErwanintervenant_6194834174DesnosKarolintervenant_7182515400GerzaguetRobinintervenant_8186390114GorceJean-Marieintervenant_3098987429RosLaurentintervenant_4060237465 MATISSEecoleDoctorale_1 267602553 IRISA partenaireRecherche_1 026386909 ddc:620ddc:004 GautierMatthieuAmisKarineGorceJean-MarieRosLaurentAït-AoudiaFayçalNoguesErwanDesnosKarolGerzaguetRobinUniversité de RennesMATISSE IRISA ASCII PDF 4908262