Mes travaux s'inscrivent à l'interface entre IA, réseaux et cybersécurité, avec une forte orientation vers les systèmes communicants, la simulation et les mobilités intelligentes.
Sujet : Gestion de la mobilité dans les villes intelligentes — Prédiction de mobilité, Apprentissage distribué dans les environnements 5G/6G, Simulateur de trafic urbain.
Cette thèse explore comment les techniques d'apprentissage profond (LSTM, GCN, Transformers hybrides) peuvent modéliser et prédire les comportements de mobilité véhiculaire dans des environnements urbains connectés, en s'appuyant sur le simulateur MEDUS développé au laboratoire.
Modèles Deep Learning (LSTM, GCN, Transformer) pour la prédiction GPS dans les réseaux VANET. Optimisation par hyperparameter tuning et analyse comparative des architectures.
Développement du simulateur événementiel mésoscopique MEDUS. Intégration avec SUMO pour la simulation de trafic réaliste. Évaluation de QoS (latence, débit, fiabilité).
Exploitation du ML pour l'analyse de données réseau et la détection d'intrusions. Application aux infrastructures critiques et aux systèmes embarqués IoT.
Optimisation du déploiement de réseaux de capteurs sans fil (VNS + ML) pour environnements contraints. Surveillance de sites sensibles clos avec nœuds relais.