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 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.

Les multiprocesseurs sur puce reposent sur les réseaux sur puce (NoCs) pour assurer des communications efficaces entre cœurs. L’augmentation du trafic accroît toutefois la latence et la consommation de bande passante, motivant l’adoption de techniques comme la compression delta et les communications approximatives. Bien qu’elles améliorent performances et efficacité énergétique, ces techniques exposent les NoCs à de nouvelles vulnérabilités face aux attaques de type Trojan matériel, pouvant dégrader la qualité des applications et les performances. Nous analysons ces menaces et proposons des solutions adaptées pour y remédier. Pour la compression delta, nous proposons SED2C, qui intègre statiquement des codes de détection et de correction d'erreurs pour protéger des bases de taille fixe, et DyED2C, qui ajuste dynamiquement la protection pour des bases de taille variable. Les résultats expérimentaux montrent une amélioration significative de la qualité des applications avec un faible surcoût matériel. Pour les communications approximatives, nous proposons DyEKF, basé sur un filtre de Kalman étendu (EKF), permettant un compromis entre fiabilité, performances et qualité des applications. Les évaluations montrent une réduction significative du taux de retransmission par rapport à l’état de l’art, tout en maintenant une qualité équivalente et un coût matériel modéré.

Le domaine de la compression audio, au cœur des applications de transmission et de stockage de la parole, musique et audio général, est bouleversé depuis quelques années par l'utilisation des réseaux de neurones artificiels. La nouvelle génération de codecs qui en découle, les codecs audio neuronaux, démontre des performances très prometteuses, en particulier par leur capacité à compresser à très bas débit. Dans cette thèse nous nous intéressons au potentiel des codecs audio neuronaux selon deux angles principaux. Le premier concerne la qualité audio permise par ces codecs et les moyens de la mesurer. Nous proposons des caractérisations étendues de la qualité des codecs neuronaux sur la parole ainsi que la musique et le contenu mixte parole/musique. Ces résultats issus de tests subjectifs sont également employés pour évaluer l'estimation de qualité proposée par les outils de mesure automatique que sont les métriques objectives. Le second axe de travail est dédié à l'analyse et la quantification de l'espace latent des codecs audio neuronaux. Une étude de l'espace latent appris par un codec neuronal nous permet d'optimiser l'étage de quantification du codec. Enfin, nous explorons l'utilisation de la quantification vectorielle sphérique par réseau de points dans le cadre du codage audio neuronal et montrons qu'il s'agit d'une alternative avantageuse d'un point de vue apprentissage, complexité calculatoire et stockage mémoire.

Cette thèse vise à réduire l'utilisation de ressources dans les systèmes de calcul haute performance (HPC). Elle commence par explorer l'utilisation d'algorithmes d’apprentissage automatique pour améliorer l'ordonnancement de tâches, mais conclut que les ordonnanceurs actuels sont déjà proches de l'optimal, et que de récents progrès proclamés dans ce domaine étaient dus à de mauvaises métriques et des méthodologies d'évaluation défaillantes. Les éléments d'une bonne évaluation sont donc discutés, et des métriques pertinentes mises en avant. La deuxième contribution explore l’usage de systèmes de mémoire désagrégée pour limiter la consommation de mémoire. Deux algorithmes d’allocation avec garanties théoriques sont proposés et évalués, montrant une réduction significative de la consommation mémoire tout en n'engendrant qu'une faible augmentation du response time. Le dernier volet introduit des modèles de vieillissement du matériel au niveau des nœuds de calcul, couplé à une stratégie de changement de fréquence pour maximiser la quantité totale de calcul sur la durée de vie du système. L’approche se montre robuste face aux incertitudes sur le vieillissement réel du matériel. En conclusion, ces approches augmentent l’efficience économique mais induisent aussi une hausse des temps de réponse, freinant ainsi l’effet rebond.

Les systèmes logiciels sont omniprésents dans les sociétés modernes. Qu'il s'agisse de smartphones ou de services publics essentiels, nombre d'entre eux traitent des données sensibles, rendant critique leur protection contre les fuites et les erreurs de gestion de ces données. Parmi les faiblesses récurrentes, comme l'illustrent la CWE-200 et ses descendants, la divulgation involontaire d'information est une menace persistante. Cette thèse explore comment l'analyse statique intégrée au sein d'un compilateur peut détecter automatiquement de telles faiblesses. Nous commençons par disséquer l'analyseur statique de GCC, en documentant son moteur d'exécution symbolique, son modèle mémoire, et son système de diagnostique, le mettant ainsi en évidence comme un bon candidat pour des analyses de sécurité. En nous appuyant sur cette base, nous proposons GnuZero, un outil basé sur GCC pour détecter des mises à zéro manquantes de données sensibles, identifiées par les CWE-226 et CWE-244, grâce à un ensemble d'attributs dédiés et d'une analyse de propagation de teinte basée sur la durée de vie des variables, validée sur des bancs d'essai et des logiciels du monde réel. Nous généralisons ensuite cette approche avec GnuSecret, un cadriciel unifiant le suivi de secrets pour capturer des faiblesses plus larges de divulgation d'informations, détectant avec succès des vulnérabilités connues et nouvelles. Ensemble, ces contributions démontrent la faisabilité et l'efficacité des analyses mises en œuvre dans un compilateur largement utilisé.

Améliorer l'efficacité des transports en commun est un enjeu crucial pour les organismes qui en assurent la gestion. Aujourd'hui, grâce à l'essor des données massives et des nouvelles méthodes d'apprentissage automatique, il est de plus en plus facile d'organiser la gestion des services de transport et de comprendre ainsi que de prédire différents critères de performance, comme la vitesse commerciale. La prédiction de la vitesse commerciale permettrait d'améliorer la fluidité du réseau, ses performances et la satisfaction de ses usagers et de ses gestionnaires. Cependant, les méthodes actuellement mises en œuvre sont imparfaites et ont du mal à prendre en compte la complexité des interactions entre les différents facteurs influençant la performance du réseau. D'où le besoin, voire la nécessité, pour les exploitants, de déterminer des approches plus avancées et performantes. Le principal défi réside dans l'identification de ces facteurs déterminants. Par ailleurs, les relations spatio-temporelles entre ces facteurs et la vitesse commerciale rendent les estimations complexes. L'utilisation des réseaux de neurones en graphes (GNN) apparaît donc comme l'une des solutions prometteuses. Actuellement, leurs applications dans la littérature restent peu explorées pour cette tâche. Dans cette thèse, une approche fondée sur les GNN est proposée pour prédire la vitesse commerciale des bus. L'un des principaux indicateurs de performance des réseaux de transport en commun. Des expérimentations sur des jeux de données issus d'un réseau de transport de bus montrent que cette approche surpasse les méthodes plus traditionnelles, en termes de précision et de robustesse. Ces résultats ouvrent la voie à une gestion plus efficace et explicative des systèmes complexes de transports urbains par bus.

Les systèmes multi-robots constituent une classe centrale de systèmes multi-agents, où plusieurs robots coopèrent pour accomplir des tâches dépassant les capacités d’un seul agent. Leur efficacité repose sur des mécanismes décentralisés ou distribués, mais les approches classiques, bien qu’efficaces pour analyser la coordination et le maintien de la connectivité, peinent à s’adapter à des environnements dynamiques et incertains. L’apprentissage automatique offre une alternative prometteuse en permettant aux agents d’apprendre des stratégies de coordination robustes à partir de données, mais il intègre rarement la communication explicite, pourtant essentielle à l’évolutivité. Cette thèse propose des méthodes hybrides combinant apprentissage et contrôle distribué sensible à la communication, afin de concevoir des systèmes multi-robots plus adaptatifs, robustes et déployables dans des environnements réels.

Les interfaces cerveau–ordinateur (BCI) rendent possible des interactions en décodant l’activité cérébrale. Bien que les méthodes et le traitement du signal aient progressés, les BCI font encore face à des défis tels que le manque de généralisabilité dans les systèmes passifs et la forte variabilité dans les systèmes actifs. Les stimulations sensorielles offrent une voie prometteuse mais encore peu explorée pour répondre à ces enjeux. Cette thèse étudie comment les processus sensoriels peuvent être intégrés dans les BCI passives et actives, et comment la réalité virtuelle peut être utilisée pour cela. Nous examinons d’abord comment des stimulations auditives et tactiles en réalité virtuelle peuvent servir de marqueurs fiables de la présence, de l’attention et de la charge cognitive, améliorant ainsi le suivi des états mentaux. Nous étendons ensuite l’étude aux BCI actives, en explorant comment les sensations peuvent être mobilisées pour améliorer l’imagerie motrice, à travers les consignes, les tâches et les rétroactions. Dans les types de BCI, la réalité virtuelle a fourni des environnements permettant de manipuler les états mentaux, de délivrer des stimulations contrôlées et de concevoir des retours incarnés. Ensemble, nos résultats mettent en lumière le rôle central des sensations pour rendre les BCI plus robustes, adaptatives et centrées sur l’utilisateur.