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 de prédiction fondés sur l'apprentissage automatique sont désormais largement accessibles mais restent trop souvent opaque, s'apparentant à des boîtes noires pour leurs utilisateurs. L'audit, en tant qu'évaluation indépendante est un outil essentiel à la gouvernance de ces systèmes. Cependant, la facilité de détection des audits et leurs conséquences potentiellement coûteuses pour le fournisseur du système rend les audits en boite noire particulièrement vulnérables aux dissimulations. Cette thèse explore les limites de l'audit en boîte noire et présente trois contributions pour y remédier : la formalisation de l'audit robuste comme un problème de construction d'une _connaissance a priori_ pour l'auditeur, l'étude de l'apport de la connaissance de la classe d'hypothèses par l'auditeur, et enfin l'introduction d'une technique d'empreinte de modèle pour détecter les modifications du système post-audit.

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.

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.

Au sein de cette thèse, on présente une approche qui combine les forces des contours actifs et de l’apprentissage profond pour mettre en place une méthode de segmentation 3D destinée aux images de biologie. On entraîne un réseau convolutif à estimer la position des objets au sein des images, et pour chacun d’entre eux, à prédire un ensemble de paramètres permettant de générer une surface qui délimite les bords de l’objet. Cette approche est une extension directe d’une méthode similaire en 2D. Le passage à la 3D présente de nombreux challenges, notamment dans la comparaison des surfaces prédites avec les masques de segmentation représentant la « vérité terrain » des objets au sein des images. Nous avons pu relever ces défis en utilisant des méthodes d’échantillonnage adéquat combinées à des métriques issues de la théorie du transport optimal. Notre méthode, comme elle représente les objets continûment sous forme de surfaces paramétriques, est très appropriée pour une analyse de forme à posteriori, par exemple de la courbure locale des objets. On investigue, au sein d’un ultime chapitre, le potentiel des réseaux incorporant des propriétés d’invariance ou d’équivariance, pour évaluer s’ils sont de bons candidats pour concevoir des méthodes de localisation et de segmentation plus robustes aux corruptions photométriques.

Les modèles de réseaux neuronaux profonds sont de plus en plus populaires, et les meilleurs modèles constituent désormais une propriété intellectuelle précieuse. Cependant, leur grande valeur et la surface d'attaque accrue causée par leur déploiement sur des systèmes embarqués ont conduit les attaquants à envisager de nouveaux types d'attaques, telles que les attaques par canaux auxiliaires. En conséquence, de nouveaux chemins d'attaque continuent d'apparaître, limitant la capacité des défenseurs à définir des contremesures efficaces. Pour limiter ces problèmes, cette thèse propose de se concentrer sur de nouvelles méthodologies d'attaque afin de démontrer l'impact des attaques par canal auxiliaire et pourquoi elles devraient être considérées. Cette thèse peut être subdivisée en deux parties. La première concerne l'amélioration des attaques existantes contre les algorithmes d'apprentissage profond à l'aide d'attaques par canal auxiliaire. Nous améliorons la faisabilité des attaques par évasion et l'extraction de modèles en ciblant deux fonctions d'activation populaires, les fonctions softmax et ReLU. Dans la deuxième partie de cette thèse, nous étudions l'impact de la quantification sur l'extraction de modèles et démontrons la nécessité d'introduire de nouvelles voies d'attaque basées sur les attaques par canal auxiliaire. Enfin, nous décrivons comment l'extraction de modèles basée sur la cryptanalyse ne permet pas extraire les DNNs quantifiés et présentons deux nouvelles attaques d'extraction de modèles basées sur la fidélité utilisant les canaux auxiliaires.

Ce travail propose un cadre expérimental pour estimer la consommation énergétique des applications cloud-native. Nous montrons que la puissance statique des cœurs, dérivés des courants de fuites, peut atteindre 12% de la consommation d'énergie de l'intégralité de la puce et présentons une méthode en trois étapes pour l'estimer. Notre seconde contribution établit, via une méthode expérimentale, que fréquences Core/Uncore, volume de données et parallélisme dominent la consommation des caches, avec des modèles non linéaires atteignant R2 >= 95%, ouvrant la voie a une extension du capteur RAPL et a des stratégies d'optimisation énergétique.

La manipulation robotique d'objets déformables demeure un défi majeur, car leurs déformations continues et dépendantes de la configuration échappent aux méthodes de contrôle classiques conçues pour les objets rigides. Cette thèse aborde l'asservissement de forme d'objets souples à travers deux approches. Dans un premier temps, nous établissons la relation analytique entre les déplacements de points caractéristiques de l'objet déformable et les mouvements du manipulateur à l'aide d'un modèle par éléments finis (FEM) dynamique et simplifié. Ces relations permettent de concevoir une loi de commande assurant le positionnement précis en temps réel de plusieurs points de l'objet. Des expériences menées avec un manipulateur robotique et une caméra RGB-D démontrent la faisabilité et la robustesse de cette stratégie de positionnement indirect. Dans un second temps, nous proposons une nouvelle loi de commande pour le contrôle de la forme de l'objet qui combine un à modèle éléments finis dynamique avec des représentations latentes de faible dimension de la forme de l'objet, obtenues par Analyse en Composantes Principales (ACP), autoencodeurs ou laplacien. Cette paramétrisation de faible dimension permet de dériver des algorithmes d'asservissement en boucle fermée, robustifiés par un retour visuel en temps réel. Enfin, la thèse présente également le suivi d’objets déformables, comblant l'écart entre modélisation numérique et déformations observées dans le monde réel.

Les capteurs à fibre optique de mesure répartie de déformation constituent une technologie prometteuse pour le suivi de santé structurale. Cependant, les mesures peuvent être lissées par rapport aux déformations réelles en raison d’un effet de transfert mécanique entre le capteur et la structure. À partir d’un modèle unidimensionnel issu de la mécanique des milieux continus, cette thèse vise à comprendre ces limites et à estimer les déformations réelles à partir des mesures, dans le cadre d’un problème inverse. Une nouvelle méthode, Double First-Order Decomposition (Dfod), a été développée pour résoudre efficacement le problème direct, offrant une précision quasi analytique et une rapidité de calcul remarquable. Une méthode inverse quadratique, fondée sur Dfod, permet ensuite de reconstruire le champ de déformation réel avec stabilité et robustesse face au bruit expérimental. Des essais sur des barres d’acier instrumentées avec différents câbles optiques ont validé le modèle et permis de caractériser le transfert mécanique à l’aide d’un paramètre global lié aux propriétés et conditions d’installation de chaque câble. Ces travaux ont également révélé les limites des câbles à gaine métallique, dont le paramètre de transfert varie avec la charge appliquée. Ce travail propose un cadre cohérent et validé expérimentalement, ouvrant la voie au développement de systèmes DFOS intelligents et intégrés pour le suivi en temps réel des infrastructures.