Booster votre candidature en enregistrant et partageant votre vidéo de présentation aux recruteurs

J'enregistre ma vidéo
Retour

Offre proposée par

Ministère Des Armées

Ministère des Armées

IA Deep Receiver

Bruz, Bretagne Infra / Réseaux / Télécoms
Postuler maintenant

Le département IA2P (Intelligence Artificielle et Apprentissage Profond) a une mission d’expertise sur les algorithmes d’intelligence artificielle consistant à détecter au plus tôt l’innovation. Cette dernière est très soutenue récemment dans le domaine des télécommunications [1,2,3]. L’objectif du stage est d’étudier si et comment les techniques de « deep learning » peuvent apprendre à reproduire des mécanismes de chaînes de transmission sans fil et plus particulièrement celui des décodeurs LDPC. 

En effet, une partie de ces travaux seront de plus appliqués au domaine SSI des attaques physiques par collisions [4] pour lesquelles il a été montré que la résolution de l’attaque était équivalente à un décodage de code LDPC ayant pour alphabet GF(2^8) [5].

Les travaux s’appuieront sur des données expérimentales simulées correspondant à des mesures obtenues dans des chaînes de transmissions classiques. Les étapes du stage sont :

Phase 1 : Prise en main du code déjà disponible pour améliorer le simulateur et effectuer la tâche de décodage par IA. Compréhension de la problématique. Etat de l’art des solutions récemment apportées. 

Phase 2 : Développement d’une solution adaptée. A la suite de la phase 1, le stagiaire implémentera une solution et validera son bon fonctionnement.

Phase 3 : Mise en œuvre pour une application SSI avec la réalisation d’une démonstration si le temps le permet.

Références :

[1] - Honkala, M., Korpi, D., & Huttunen, J. M. (2020). DeepRx: Fully Convolutional Deep Learning Receiver. arXiv preprint arXiv:2005.01494.

[2]- Farsad, N., Shlezinger, N., Goldsmith, A. J., & Eldar, Y. C. (2020). Data-driven symbol detection via model-based machine learning. arXiv preprint arXiv:2002.07806.

[3] - Shlezinger, N., Farsad, N., Eldar, Y. C., & Goldsmith, A. J. (2020). ViterbiNet: A deep learning based Viterbi algorithm for symbol detection. IEEE Transactions on Wireless Communications, 19(5), 3319-3331.

[4] - Ledig H., Muller F., & Valette F. : Enhancing Collision Attacks. CHES 2004.

[5] – Gérard B., & Standaert F.-X. : Unified and Optimized Linear Collision Attacks and Their Application in a Non-Profiled Setting. CHES 2012.

DGA Maîtrise de l’information Bruz (près de Rennes) est responsable de la conception, de l’acquisition et de l’évaluation des systèmes qui équipent les forces Armées. Nos experts techniques travaillent dans les domaines innovants tels que les systèmes d’information et de communication, la cybersécurité, l’Intelligence Artificielle, la survivabilité des systèmes, la navigation, la guerre électronique et les systèmes de missiles.