Optimisation stochastique pour améliorer la cyberdeception dans une architecture de réseau virtualisée // Stochastic optimization to improve cyberdeception in a virtualized network architecture

Le Laboratoire Informatique d'Avignon (LIA) d'Avignon Université recherche un candidat de doctorat très motivé dans le domaine de
l'apprentissage par renforcement (RL) compétitif avec application à la sécurité et à l'allocation de ressources pour les réseaux
informatiques de type cloud-to-edge. Le candidat travaillera sur la modélisation d'algorithmes de déception pour le placement de leurres
(honeypots, honeynets, etc.) dans des environnements informatiques hautement distribués. L'activité scientifique du candidat consistera
à modéliser le problème, à formuler mathématiquement les problèmes d'optimisation des ressources qui en résultent et à proposer des
méthodes pour les résoudre. A ce titre, les techniques proposées sont des algorithmes d'apprentissage pour les processus de décision
markoviens compétitifs (CoMDP). Au-delà d'une compréhension de base des aspects de sécurité impliqués, le thème de cette thèse
nécessite une formation en modélisation mathématique, en théorie du contrôle et en algorithmique.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The Laboratoire Informatique d'Avignon (LIA) of the University of Avignon is seeking a highly motivated Ph.D. candidate in the field of
security and competitive reinforcement learning (RL) with application to security and resources allocation for cloud-to-edge computing
networks. The candidate will work on the modelization of deception algorithms for the placement of decoys (e.g., honeypots, honeynets,
etc.) in highly distributed computing environments. The scientific activity of the candidate will involve the modelisation of the problem, the
mathematical formulation of the resulting resource optimisation problems and the proposition of methods addressing them. To this
account, proposed techniques are learning algorithms for Competitive Markov Decision Processes (CoMDP). Beyond a basic
understanding of the security aspects involved, the theme of this thesis requires a background in mathematical modeling, control theory
and algorithmics.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Contrat doctoral

Avignon Université

536 Agrosciences et Sciences

le curriculum du candidat doit justifier d'excellents résultats scolaires dans des matières pertinentes telles que, par exemple, la théorie du contrôle, la théorie des probabilités et ses applications à la théorie des files d'attente, la recherche opérationnelle, la programmation mathématique et la conception algorithmique. Une bonne connaissance de la théorie des MDP et de l'apprentissage par renforcement est considérée comme un atout majeur.
The candidate curriculum should prove excellent scholar records in relevant subjects such as, e.g., control theory, probability theory and its applications to queueing theory, operations research, mathematical programming and algorithmic design. Familiarity with the theory of MDPs and Reinforcement Learning is considered a strong plus.