Introduction : A l’heure actuelle, Internet et ses commentaires en ligne font partie intégrante de notre quotidien, pour les achats de tous biens de consommation par exemple, mais également dans le domaine de la santé. La réputation numérique d’un médecin correspond à l’ensemble des informations de ce médecin présentes sur les différentes plateformes en ligne. Les avis Google™ en sont le meilleur exemple. L’objectif principal de l’étude était d’évaluer la connaissance et l’utilisation de la e-réputation des médecins généralistes par les patients de l’agglomération lorientaise. L’objectif secondaire était d’évaluer son impact lors du choix d’un médecin généraliste. Matériel et Méthode : Étude descriptive quantitative réalisée à partir d’un auto-questionnaire via QR code à disposition dans les salles d’attente de cabinet de l’agglomération lorientaise du 31 juillet au 1er décembre 2023. Les résultats ont été analysés par des tests du Chi-deux ou du Fisher Exact avec un seuil significatif de 5%. Résultats : 143 questionnaires ont été récupérés dont 120 exploitables. 65% connaissaient les sites de notation. 47,5% les avaient déjà consultés. 7,5% avaient déjà laissé un commentaire ou une note en ligne. Les sites de notation étaient plus utilisés pour les médecins spécialistes d’organes ou chirurgiens que pour les généralistes. L’importance accordée à la réputation numérique des médecins était moyenne, et inférieure à celle du bouche-à-oreille ou de recommandations de l’entourage. 44,2% ont déjà consulté ou ont préféré ne pas consulter un médecin en particulier après avoir eu connaissance d’avis en ligne. Conclusion : L’e-réputation est un phénomène récent et à l’influence encore limitée pour les patients en raison de divers facteurs comme l’offre de soins primaires par exemple. Sa connaissance, son utilisation et son impact sont inexorablement en train de croître au fil des années. Il devient nécessaire pour les médecins de se protéger et de savoir maîtriser ce nouvel outil, encore imparfait

Les systèmes IoT destinés à la surveillance environnementale reposent souvent sur une transmission continue des données, ce qui est coûteux, peu flexible et énergivore, ce qui pose un défi dans les environnements aux ressources limitées. Cette thèse présente des expériences menées avec des nœuds IoT extrêmes équipés de plusieurs capteurs, démontrant d'abord la surveillance et le traitement des données sur un seul nœud, puis s'étendant à plusieurs nœuds, pour une collecte adaptative et distribuée. Les résultats montrent que la frugalité conduit à une collecte de données plus efficace et que le comportement au niveau des nœuds influence fortement la consommation d'énergie. Afin de mieux comprendre l'utilisation de l'énergie, des mesures empiriques ont été effectuées, qui révèlent que les opérations de mémoire sont un facteur important, souvent négligé, et que des volumes plus importants et des accès fréquents augmentent encore la consommation. Sur la base de ces observations, un modèle énergétique étendu intégrant la mémoire est présenté, et un mécanisme logiciel est introduit pour réduire le volume de données, ce qui se traduit par des économies d'énergie confirmées par simulation. Dans une perspective d'avenir, cette thèse propose de combiner la détection locale et le partage de données, tout en redistribuant dynamiquement les responsabilités entre les nœuds, pour une surveillance plus frugale, autonome et évolutive.

Cette thèse étudie comment les contraintes de durabilité transforment l’économie, les stratégies concurrentielles et les mécanismes opérationnels de la livraison vidéo multi-CDN. Elle développe des modèles fondés sur la théorie des jeux pour caractériser le comportement stratégique des CDNs, des fournisseurs de services et des régulateurs soumis à des politiques environnementales telles que la tarification carbone. Ces modèles quantifient l’impact de ces instruments sur les prix, les choix énergétiques et les investissements dans des infrastructures plus vertes, identifiant les conditions où des équilibres durables apparaissent ou nécessitent une intervention ciblée. Au-delà de cette analyse, la thèse propose des extensions protocolaires visant à améliorer l’adaptabilité, la résilience et la sensibilité énergétique des architectures multi-CDN. Elle introduit des primitives de négociation inter-CDN, une logique de bascule tenant compte du playhead et du buffer, une réaffectation dynamique des utilisateurs vers les serveurs de bordure, ainsi qu’une sélection sémantique des débits, intégrant en temps réel des attributs liés à la durabilité. Dans l’ensemble, ces contributions offrent une perspective rigoureuse sur les conditions d’une distribution vidéo durable et réellement opérationnelle à grande échelle.

Les systèmes embarqués sont davantages vulnérables aux radiations avec l'utilisation de petits transistors, de faibles tension d'allimentation, etc. Les méthodes standards de tolérance aux fautes telles que la redondance par triplication (TMR) induisent des surcoûts en surface. La plupart des travaux sur l'estimation du pire temps d'exécution (WCET), nécessaire pour la guarantie des temps, ne considèrent pas de fautes ou seulement celles liées aux mémoires, le processeur supposé sans fautes, ce qui est dangereux en cas de fautes. L'ordonnancement avec réplication de tâches entraîne des surcoûts temporels et conduit au surdimensionnement. Pour pallier ces limitations, cette thèse améliore l'analyse de vulnérabilité en considérant les impacts fonctionnels et temporels pour des systèmes sous fautes, démontrant l'impact des fautes sur l'estimation du WCET sur un processeur RISC-V à base de Synthèse de Haut-Niveau (HLS). De plus, cette thèse propose des techniques de locksteps peu complexes et peu coûteuses pour la tolérance, grâce à une détection de fautes très rapide, et des mécanismes de rollback à impact temporelle minime, pour restaurer l'état correct du processeur. Enfin, une analyse de la fiabilité de programmes optimisés en considérant plusieurs entrées et niveaux d'optimisations, est proposée et utilisée pour apporter une réplication sélective d'instructions.

Les modèles d’apprentissage automatique présentent des mécanismes de décision souvent opaques et incompréhensibles, ce qui limite leur utilisation dans des domaines sensibles où les prédictions doivent être justifiées pour être exploitables. Les méthodes d’explicabilité visent à rendre ces décisions plus compréhensibles, notamment à travers des techniques d’attribution locales qui expliquent une prédiction en quantifiant l’influence de chaque variable d’entrée à l’aide de scores d’importance. Les approches fondées sur la valeur de Shapley sont largement utilisées dans ce cadre en raison de leurs garanties théoriques, mais leur calcul exact est généralement intractable et repose, le plus souvent, sur des méthodes d’estimation stochastiques. La stochasticité de ces méthodes engendre une variabilité des explications : une même instance peut recevoir des attributions différentes d’une exécution à l’autre, révélant un manque de stabilité qui fragilise la confiance accordée aux explications. Cette thèse propose ST-SHAP, une méthode visant à améliorer la stabilité en réduisant l’impact du hasard dans l’estimation, ainsi que StratoSHAP, une famille de méthodes d’attribution déterministes éliminant entièrement l’aléatoire. Ces contributions permettent de produire des explications plus stables et fiables pour l'analyse des décisions des modèles d'apprentissage automatique.

La demande d'expériences visuelles immersives dans des applications telles que la réalité virtuelle et la téléprésence a mis en évidence les limites de l'imagerie 2D traditionnelle. L'imagerie Light Field (LF) répond à ce problème en capturant une représentation 4D d'une scène, encodant à la fois les informations spatiales (texture) et angulaires (point de vue). Cette richesse permet une véritable parallaxe et une perception de la profondeur, mais crée un goulot d'étranglement de données important, car les volumes de données massifs constituent un obstacle majeur au stockage, à la transmission et au traitement efficaces en temps réel. Les méthodes de compression conventionnelles traitent souvent les données LF comme une simple séquence d'images, n'exploitant pas efficacement la structure spatio-angulaire sous-jacente, ce qui conduit à des performances sous-optimales. Cette thèse aborde le défi de la compression efficace des LF en développant un cadre d'apprentissage fondé sur des principes et centré sur le spatial-angular disentanglement. Le cœur du travail est une série d'architectures basées sur des Variational Autoencoder (VAE) qui séparent explicitement les caractéristiques spatiales et angulaires en des représentations latentes distinctes. Cette approche offre une plus grande flexibilité et efficacité en permettant à chaque domaine d'être modélisé en fonction de ses propriétés statistiques uniques. Le modèle VAE fondamental est progressivement amélioré par deux contributions clés : premièrement, l'intégration de dual-hyperprior entropy models pour apprendre des distributions de probabilité adaptées à chaque flux latent, améliorant la performance rate-distortion ; et deuxièmement, l'introduction d'un information-theoretic regularizer pour garantir une séparation robuste des caractéristiques. Enfin, un pipeline de compression modulaire et léger est proposé pour compresser davantage ces représentations latentes sans nécessiter un réentraînement du réseau. Les méthodes proposées ont été rigoureusement évaluées sur des datasets LF publics standards ainsi que sur un nouvel ensemble de données sphériques de LF créé dans le cadre de cette recherche pour prendre en charge des scénarios de téléprésence immersive. Les évaluations objectives démontrent que les cadres désenchevêtrés atteignent une performance rate-distortion supérieure, avec des gains BD-PSNR significatifs par rapport aux codecs de pointe, qu'ils soient basés sur l'apprentissage ou traditionnels. De manière cruciale, les méthodes offrent également des temps d'encodage et de décodage considérablement plus rapides, une exigence essentielle pour les applications en temps réel. Pour évaluer la performance perceptive, une étude formelle de la qualité subjective a été menée, qui a confirmé que les méthodes proposées délivrent une qualité visuelle améliorée, particulièrement dans la préservation de la cohérence angulaire et la réduction des artefacts qui altèrent l'expérience immersive. En conclusion, cette thèse démontre que le fait de désenchevêtrer, modéliser et compresser explicitement les composantes spatiales et angulaires des Light Fields est une stratégie très efficace. Les cadres et outils développés font progresser l'état de l'art en fournissant des solutions pratiques et évolutives qui équilibrent l'efficacité de la compression, la vitesse de calcul et la qualité perceptive. Ce travail apporte une contribution significative à la faisabilité de l'utilisation de l'imagerie LF de haute qualité dans des applications immersives à bande passante limitée. Cette thèse est basée sur les contributions de six publications scientifiques évaluées par des pairs.

La déshydrocouplage (DHC) entre un hydrosilane et un alcyne terminal est une réaction au cours de laquelle la liaison Si–H de l’hydrosilane réagit avec la liaison C(sp)–H de l’alcyne terminal pour former une liaison Si–C(sp). Au cours de ce processus, du dihydrogène (H₂ ) est libéré comme sous-produit. Cette thèse décrit nos travaux sur l’optimisation des substrats et des catalyseurs ainsi que sur les études mécanistiques visant à obtenir de manière sélective des alkynylsilanes moléculaires et des poly(alkynylsilane)s macromoléculaires en utilisant des catalyseurs à base de métaux des groupes 2 et 12. Nous avons constaté que, parmi différents catalyseurs alcalino-terreux, Ba{N(SiMe₃)₂}₂(thf) ₂ est le plus actif; la pyridine, utilisée comme solvant, joue un rôle déterminant. Cependant, le système Zn(OTf)₂–pyridine s’est révélé plus stable et plus sélectif, en particulier pour les substrats difonctionnels. Ce système catalytique nous a permis de préparer des oligo(alkynylsilane)s bien définis, et nous avons montré comment le choix du monomère difonctionnel influence la sélectivité de la réaction. Des premières études photophysiques ont montré que les oligomères produits possèdent une absorption UV–Vis modulable. Dans l’ensemble, ce travail fournit des méthodes pratiques pour réaliser ces réactions DHC et apporte des pistes pour la conception de matériaux fonctionnels à base de silanes.

La fragmentation IP et la segmentation TCP permettent de diviser des paquets réseaux trop volumineux en morceaux plus petits. Ce découpage peut donner lieu à du recouvrement, c'est-à-dire que plusieurs morceaux ainsi créés peuvent se chevaucher, de manière complète ou partielle, avec des données non nécessairement identiques. Les politiques de réassemblage, c'est-à-dire le morceau de données préféré en fonction du type de recouvrement, diffèrent selon les implémentations IPv4, IPv6 et TCP. Dès lors, un système de détection d'intrusion réseau (NIDS) qui ne ré-assemble pas les recouvrements de la même manière que l'hôte surveillé est aveugle au flux réellement traité par cet hôte, laissant la place à son contournement. L'objectif principal de cette thèse est d'évaluer dans quelle mesure les NIDS sont vulnérables à des attaques basées sur les recouvrements IPv4, IPv6 et TCP. Nous proposons tout d'abord une nouvelle méthode pour modéliser les recouvrements de fragments et de segments afin de garantir la complétude des tests. Nous instancions ce modèle dans notre outil PYROLYSE et testons les politiques de réassemblage de différents types de piles IP et TCP. Nous avons découvert que les politiques sont beaucoup plus diverses et complexes que décrites dans l'état de l'art et que les NIDS Suricata, Snort et Zeek présentent des incohérences de réassemblage avec ces piles, ce qui les rend vulnérables aux attaques par recouvrement. Nous avons également trouvé des erreurs de réassemblage dans cinq piles, dont une CVE.

Dans la quête permanente d’une puissance de calcul plus rapide, les processeurs modernes utilisent des techniques permettant d’exploiter au maximum leurs ressources. Parmi ces techniques, l’exécution spéculative tente de prédire le résultat des instructions dont l’issue n’est pas encore connue, mais dont dépend la suite du programme. Cela permet au processeur d’éviter d’être inactif. Cependant, elle a ouvert une faille dans la micro-architecture : les mauvaises spéculations peuvent être exploitées pour accéder à des données sensibles, donnant naissance à la vulnérabilité Spectre. L’état de l’art propose diverses protections matérielles et logicielles. Les solutions matérielles sont généralement plus complètes, mais leur impact réel sur les performances reste débattu en raison des différences d’architecture et de méthodologie d’évaluation. Cette thèse vise à proposer une protection contre la vulnérabilité Spectre sur un cœur RISC-V . En commençant par évaluer les protections existantes, notamment la spéculation sélective, une approche largement déclinée en solutions logicielles et matérielles. Nous partons du principe que la micro-architecture est incapable de distinguer les données secrètes des données publiques dans un programme. Les résultats montrent que parvenir à une protection parfaite grâce à la spéculation sélective a un coût prohibitif en termes de performances. Face à ces limites, nous proposons une nouvelle solution qui fournit davantage d’informations à la micro-architecture sur les données sensibles.