Garantie de confiance et de sécurité dans la composition de fonction et services réseau distribués

Les systèmes de réputation permettent aux utilisateurs des systèmes collaboratifs d’évaluer leur fiabilité mutuelle, établissant ainsi des relations de confiance. Ces systèmes doivent toutefois être adaptables à des cas d’utilisation
variés et remédier aux nouvelles vulnérabilités qu’ils introduisent. Dans cette thèse, nous proposons une architecture modulaire de réputation répondant à ce double objectif. Nous commençons par montrer sa résistance face aux principales attaques sur la réputation, puis, pour tester sa souplesse, nous l’instancions dans deux cas d’utilisation très différents. Pour cela, nous introduisons RADAR, une architecture d’Apprentissage Fédéré (FL) capable d’évaluer la qualité des contributions dans un contexte de données hétérogènes. RADAR se fonde sur une évaluation mutuelle des participants pour regrouper ceux perçus comme similaires via un partitionnement hiérarchique. Un système de réputation pondère ensuite les différentes contributions. RADAR résiste à un large spectre de comportements byzantins, allant de l’attaquant isolé au groupe d’attaquants majoritaires. Nous adaptons ensuite notre architecture de réputation au contexte de partage de ressources sur le Réseau d’Accès Radio (RAN) 5G. Nous proposons une solution décentralisée fondée sur la logique floue qui s’ajuste aux besoins subjectifs des différents participants.