Book de stages - Ministère des Armées...2020/11/23 · D’autre part, la construction des...

DGA MAÎTRISE DE L’INFORMATION 136, La Roche Marguerite 35170 BRUZ [email protected]
Book de stages prévisionnels 2021
DGA Maîtrise de l’information à BRUZ près de RENNES (35)
› Un environnement dynamique p.5
› Comment postuler p.8
› Les fiches de stages p.9
› Index par mots clés ... fin
Mention : Ce book est une liste des stages prévisionnels pour l’année 2021 dans les différents domaines métiers à DGA Maîtrise de l’information. La liste définitive des stages validés sera publiée fin 2020 sur https://www.stages.defense.gouv.fr
«DGA Maîtrise de l’information est un centre apprécié de ses clients, qui reconnaissent largement la qualité de ses prestations.
»
Marie-Noëlle Sclafer Directrice DGA Maîtrise de l’information
La DGA Direction Générale de l’Armement du ministère des Armées est responsable de la conception, de l’acquisition et de l’évaluation des systèmes qui équipent les forces armées.
Retrouvez notre actualité
DGA Essais propulseurs SACLAY
DGA Techniques terrestres BOURGES
DGA Essais en vol CAZAUX
DGA Essais de missiles BISCARROSSE
DGA Techniques aéronautiques TOULOUSE
DGA Techniques navales Toulon
DGA Techniques terrestres ANGERS
DGA Techniques navales BREST
DGA Ingénierie des projets PARIS
4
1500
Un environnement dynamique
› Exercer un métier technique passionnant comme vous ne le trouverez nulle part ailleurs et développer vos compétences dans divers domaines.
› Travailler sur un site de 100 hectares arboré où l’on peut se déplacer à vélo électrique et accessible par les transports en commun.
5
7 X Forum écoles Bourges, Brest, Lyon, Paris, Rennes, Lannion
XBreizh CTF Rennes
Vivatech Paris
https://www.stages.defense.gouv.fr
› Préciser la référence du stage
› Durée : 2 à 6 mois
› Niveau : Bac +2 à Bac +5
8
Horvais
› ASC : Intelligence Artificielle, ergonomie, BigData.
› CGN : développement, traitement du signal, guerre électronique, radar, optronique.
› MAN : Missiles, statistiques, trajectoires.
9
DGA Maîtrise de l’information 10 [email protected]
SSI-2021-DPS-1 Chaine de traitement LID d’evenements Windows au sein d’un SOC ______________ 12
SSI-2021-DPS-2 Securisation d’architectures Kubernetes ____________________________________________ 13
SSI-2021-EDS1-1 Environnements Android deconnectes _____________________________________________ 14
SSI-2021-EDS1-2 Optimisation d’applications Android _______________________________________________ 15
SSI-2021-EDS3-1 Integration Continue _________________________________________________________________ 16
SSI-2021-ICM-2 Outils de traduction et de resume automatique _____________________________________ 18
SSI-2021-ICM-3 Outils d’aide a la veille et de collecte (web) __________________________________________ 19
SSI-2021-ICM-4 Extraction de triplet RDF dans des textes non structures __________________________ 20
SSI-2021-ICM-5 Correlation dans un graphe d’information/ connaissance _________________________ 21
SSI-2021-SCY-1 Implementation materielle d’un generateur d’empreinte numerique _____________ 22
SSI-2021-VIM-1 Recherche automatisee de gadgets dans l’embarque _______________________________ 23
SSI-2021-VSE-1 Analyse applicative et recherche de vulnerabilite ___________________________________ 24
SSI-2021-VSP-1 Diversification d’outils de test d’intrusion ___________________________________________ 25
SSI-2021-XCS-1 Reseau de neurones pour attaques par canaux auxiliaires _________________________ 26
SSI-2021-XEL-1 EÉ tude et developpement d’un analyseur de code ____________________________________ 27
SSI-2021-XIN-1 Evaluation Sonde HIPS _________________________________________________________________ 28
ASC2-2021-EORD-1 Modeles de localisation SAR ______________________________________________________ 29
ASC2-2021-IA2P-1 Etudes des vulnerabilites a base d’IA _____________________________________________ 30
ASC2-2021-IA2P-2 Auto-apprentissage pour le signal acoustique ___________________________________ 31
ASC2-2021-IA2P-3 Production d’images realistes _____________________________________________________ 32
ASC2-2021-IA2P-5 IA Deep Receiver ___________________________________________________________________ 33
ASC2-2021-IA2P-6 Reseaux generatifs adverses _______________________________________________________ 34
ASC2-2021-IA2P-7 Apprentisage de reseaux de neurones ____________________________________________ 35
ASC2-2021-IA2P-8 Decoupage automatique de videos ________________________________________________ 36
ASC2-2021-IA3D-1 Apprentissage reparti sur machine distribuee __________________________________ 37
Les stages previsionnels
ASC2-2021-IA3D-3 Detection d’intrusions par emissions de signaux compromettants ____________ 39
CGN1-2021-ERS-1 Donnees GHOM pour Simulation numerique Radar _____________________________ 40
CGN1-2021-GAC-1 Developpement d’outil d’echange de donnees ___________________________________ 41
CGN1-2021-GAC-2 Amelioration d’un outil d’analyse _________________________________________________ 42
CGN1-2021-GNS-1 Generateur de signaux telecom SDR synchrone __________________________________ 43
CGN1-2021-GNS-2 Outil de depouillement et de capitalisation d’essais _____________________________ 44
CGN1-2021-GNS-3 Simulation GE navale _______________________________________________________________ 45
CGN1-2021-GNS-4 Automatisation creation scenes electromagnetiques ____________________________ 46
CGN1-2021-RSE-1 Developpement micro-logiciel d’un systeme _____________________________________ 47
CGN1-2021-RSE-2 Traitement du signal, mesure de furtivite radar __________________________________ 48
CGN1-2021-RSE-3 Chambre anechoque de mesures de furtivite radar _____________________________ 49
CGN2-2021-SDO-1 Exploitation de mesures de fonds de ciel nuageux _______________________________ 50
CGN2-2021-SDO-2 Etude variabilite des performances d’un imageur optronique reflectif ________ 51
CGN2-2021-SYSNAV-1 Etude des techniques d’astronavigation aeronautique ______________________ 52
CGN2-2021-RNAV-1 Etude de l’impact d’interferents sur des recepteurs GNSS _____________________ 53
CGN2-2021-TIS-1 Visee stellaire ________________________________________________________________________ 54
CGN2-2021-TIS-3 Developpement d’un logiciel d’acquisition ________________________________________ 56
MAN-2021-CGP-1 Optimisation de trajectoires de drones de combat ________________________________ 57
MAN-2021-CGP-2 Developpement d’un parachute autonome ________________________________________ 58
MAN-2021-CVO-1 Demonstrateur HUMS _______________________________________________________________ 59
TEC-2021-STR-2 Developpement d’un systeme de sondage de canal ________________________________ 62
Index _______________________________________________________________________________________________________ 64
SSI-2021-DPS-1 Chaine de traitement LID d’évènements Windows au sein d’un SOC
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois DevOps SIEM BigData
Description du stage
L’Incubateur SOC DGA teste et met en œuvre différents types de techniques de détections dans le cadre de la LID (Lutte Informatique Défensive). Ces techniques sont mises en œuvre, testées et éprouvées sur des SI opérationnels, supervisés par l’Incubateur SOC DGA. Ce stage vise à mettre en œuvre un prototype de chaine de traitement LID d’évènements Windows de bout en bout. Cette chaine est composée :
• d’un module de collecte centralisée côté SAS (Système A Superviser) notamment au travers d’un WEC (Windows Events Collector) ;
• d’un module de normalisation et indexation des données collectées, avec une convergence vers un modèle de données de référence ;
• et enfin, d’un module de processing de détection et d’alerte. L’ensemble des briques de cette chaine LID s’appuiera exclusivement sur des suites Open Source, rattachées pour la plupart au domaine du Big Data (ElasticSearch, KAFKA, KSQL, Apache Spark). Le stage intégrera également une chaîne de validation d’ensemble au travers de tests d’attaque automatisés, via Atomic Red Team, qui visera à qualifier le niveau de détection final. Directement intégré à l’équipe de l’Incubateur SOC DGA, le candidat devra se montrer motivé et force de proposition sur les solutions envisagées.
Compétences indispensables Compétences souhaitées Compétences techniques : • Intégration de solutions, langages de script ; • Capacité à intégrer une vue d’ensemble d’un SI
complexe. Qualités personnelles: • Autonomie, Motivation, Travail en équipe.
• SIEM, composantes d’un SOC, • Intégration système de différentes briques
logicielles, • 1ère expérience (notamment au travers de
projets étudiants) sur certaines briques Big Data.
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration Ce stage offre l’occasion d’intégrer le domaine porteur de la cybersécurité.
SSI-2021-DPS-2 Sécurisation d’architectures Kubernetes
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Container Kubernetes Sécurisation
Les architectures de systèmes d’information reposant sur des micro-services sont de plus en plus fréquentes. Elles s’appuient sur des mécanismes de containeurs. Les mécanismes permettant de sécuriser de façon efficace ces architectures ont été encore peu étudiés. Le but de ce stage consiste à :
• Tout d’abord faire un état de l’art des mécanismes de sécurisation proposés par Kubernetes ; • Puis mettre en œuvre ces mécanismes sur un SI de laboratoire afin d’éprouver leur efficacité, plus
particulièrement en adressant : o La sécurisation au niveau conteneur (notamment durcissement) ; o Le filtrage réseau entre conteneurs ; o L’audit automatisé de la sécurité de conteneurs.
La problématique de la sécurisation des architectures à base de micro-services pourra être complétée par la mise en place de solutions de détection d’activités malveillantes sur ce type d’architecture, suivant l’avancée du stage.
Compétences indispensables Compétences souhaitées Connaissances métier:
• Sécurisation d’un système d’information Compétences techniques :
• Administration système Linux et durcissement. Qualités personnelles:
• Autonomie, Motivation.
• Capacité à intégrer une vue d’ensemble d’un SI • 1ère expérience (notamment au travers de
projets étudiants) sur des architectures à base de micro-services
• Connaissances en détection.
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration Ce stage offre l’occasion d’intégrer le domaine porteur de la cybersécurité.
SSI-2021-EDS1-1 Environnements Android déconnectés
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Android Python
Dans le cadre de son activité de développement, le laboratoire MO est amené à utiliser des plateformes n’étant pas connectées à l’Internet. On parle alors de d’environnements « déconnectés ». Les outils intervenant dans le développement Android, tels qu’Android Studio, le SDK Android ou encore Gradle, sont conçus pour être utilisés sur des plateformes connectées à l’Internet, et leur usage sur des plateformes déconnectées n’est donc pas trivial. L’objectif de ce stage consiste à mettre en place des environnements de développement et de compilation Android, sur des plateformes déconnectées, en veillant à automatiser autant que possible ce processus et à le rendre configurable, suivant les besoins des utilisateurs finaux. Les travaux comportent deux aspects. D’une part, le téléchargement de l’ensemble des composants logiciels requis, qui s’effectuera sur une plateforme connectée. D’autre part, la construction des environnements de développement et de compilation, sur une plateforme déconnectée, à partir de ces seules dépendances. Le candidat travaillera sous la tutelle d'un de nos experts. Il devra se montrer motivé, curieux et force de proposition sur les solutions envisagées. Il devra présenter une bonne maîtrise d'un langage de script, de préférence Python, ou éventuellement Bash. Une expérience préalable avec Docker (solution de conteneurisation) serait également appréciée, bien que ne constituant pas un prérequis. Le personnel du laboratoire accompagnera le candidat durant son stage afin de lui dispenser une expérience en développement Android, qui ne se limitera à l’aspect usuel constitué par le code source, mais portera aussi sur les outils intervenant dans la chaîne de compilation des applications Android.
Compétences indispensables Compétences souhaitées • Python, Android • Motivation, curiosité, rigueur.
• Docker, Bash, Gradle.
Les “+” du stage Le stagiaire intégrera une équipe dynamique et très soudée d’une dizaine de développeurs Android, elle-même rattachée à d’autres équipes de développement. Outre l’expérience humaine, ce stage peut constituer une opportunité pour approfondir une connaissance concernant le système et les applications Android, ainsi que d’acquérir une bonne vision de la chaîne de compilation des applications Android.
SSI-2021-EDS1-2 Optimisation d’applications Android
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Android Python Java Kotlin
Le laboratoire MO du département EDS (Expertise en Développement Sécurisé) réalise des logiciels de Cyberdéfense au profit des forces armées. Il est missionné pour fournir des outils de défense cybernétique ainsi que des moyens de contre-réaction dans la thématique MObile (MO). Dans le cadre de son activité de développement, le laboratoire MO est amené à développer des applications Android reposant sur des bibliothèques parfois volumineuses. Dans un souci de faciliter leur déploiement, réduire la taille de ces applications constitue un enjeu important. Dans le cadre de ce stage, les travaux demandés consistent à appréhender des outils d’optimisation existants, tels que Proguard et R8, et à comprendre les processus d’optimisation qu’ils mettent en œuvre, afin de pouvoir les configurer et les utiliser au mieux de leurs possibilités. Il pourra aussi être question de proposer des bonnes pratiques de développement visant à tirer parti au mieux de ces outils. Les résultats produits seront vérifiés en analysant les applications Android produites, et leur bytecode en particulier, au moyen d’outils tels que Jadx. Le candidat travaillera sous la tutelle d'un de nos experts. Il devra se montrer motivé, curieux et force de proposition sur les solutions envisagées. Il devra présenter une bonne maîtrise d'un langage JVM, tel que Java ou Kotlin. La connaissance du bytecode JVM ou DEX serait également appréciée, bien que ne constituant pas un prérequis. Le personnel du laboratoire accompagnera le candidat durant son stage afin de lui dispenser une expérience en développement et analyse d'applications Android.
Compétences indispensables Compétences souhaitées • Java, Kotlin, Android • Motivation, curiosité, rigueur.
• Bytecode JVM ou DEX.
Les “+” du stage Le stagiaire intégrera une équipe dynamique et très soudée d’une dizaine de développeurs Android, elle-même rattachée à d’autres équipes de développement. Outre l’expérience humaine, ce stage peut constituer une opportunité pour approfondir une connaissance concernant le système et les applications Android, ainsi que de s’initier à l’analyse d’applications Android.
SSI-2021-EDS3-1 Intégration Continue
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Développement Intégration
Les ingénieurs des départements EDS sont spécialisés dans le développement de logiciels de Cyberdéfense au profit des forces armées. Afin d’assurer la conformité et la qualité de ses produits, EDS utilise des processus de production virtualisés et automatisés s’appuyant sur des outils externes mais aussi sur ses propres outils. Dans ce cadre, l’équipe d’intégration logiciel cherche en permanence à optimiser ses processus et simplifier l’utilisation de ses outils. Le stagiaire rejoindra l’équipe d’intégration et travaillera sous la tutelle d’un de nos experts. Il participera au développement d’un outil de tests d’intégration automatisés. Il sera notamment en charge de la réalisation d’un ‘plugin’ permettant l’utilisation de l’outil à partir d’un IDE. Durant ce stage, le stagiaire sera amené à :
- Mettre en place des environnements virtuels divers, - Participer à la génération de scénarios de tests.
Proposer puis réaliser des correctifs ou extensions de l’outil de test.
Compétences indispensables Compétences souhaitées • Développement logiciel et bonne capacité de prise
en main de nouveaux langages • Connaissances en réseaux informatiques • Connaissances en architecture logiciel et IHM • Motivation, curiosité, rigueur, force de proposition
• Langage : Python, TypeScript • Environnement virtualisé.
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration. Le stagiaire pourra acquérir des compétences sur les environnements virtualisés et les processus d’intégration, et pourra approfondir ses connaissances en développement logiciel.
SSI-2021-ICM-1 Analyse Massive de Firmware
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Firmware Analyse
Constitution d'un référentiel de données extraites de firmwares : à partir de sources ouvertes ou interne recensant des firmwares d’équipements variés (ICS, Caméra, téléphones, équipements réseau, etc…), le stagiaire définira avec les experts les informations d’intérêts à extraire et proposera un modèle de données compatible avec ceux utilisés au sein d’ICM et permettant l’agrégation et le stockage des informations contenus dans ces firmwares. Il développera ou mettra en œuvre des outils d’analyse et de collecte permettant d’extraire les informations d’intérêt, leur stockage et assurera le développement ou la mise en œuvre d’outils et interfaces utilisateurs permettant l’exploitation de ces données.
Compétences indispensables Compétences souhaitées • Motivation • Esprit de recherche • Langage de script / programmation • Modélisation.
• Langage C • Autonomie • Big Data • Datamining.
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration. Ce stage offre l’occasion d’intégrer les domaines porteurs de la cybersécurité et du Big Data.
SSI-2021-ICM-2 Outils de traduction et de résumé automatique
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Langage Traduction
Le stagiaire réalisera un état de l’art des moteurs de traduction open source. Le stagiaire réalisera un état de l’art des outils open source permettant de créer un résumé de documents. A partir de ces résultats, le stagiaire proposera une méthodologie permettant d’entrainer des modèles réalisant ces opérations (pour la traduction, les langues anglais, russe, chinois arabe et français seront à considérer) et il développera ou mettra en œuvre des outils réalisant ces opérations.
Compétences indispensables Compétences souhaitées • Motivation • Esprit de recherche • Langage de script / programmation • Modélisation • Statistiques.
• Langage C • Autonomie • Linguistique • Deep Learning.
SSI-2021-ICM-3 Outils d’aide à la veille et de collecte (web)
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Collecte Veille Web
Le stagiaire recueillera auprès des analystes ICM et d’autres département les besoins en terme de fonctionnalités permettant d’accompagner et de faciliter le travail de veille et de collecte des experts et analystes. Il développera ensuite le prototype de l’outil (ou des outils) implémentant ces fonctionnalités. Notamment dans son travail de veille l’analyste est amené à parcourir l’Internet à la recherche d’informations sur différentes thématiques. L’outil devra permettre de tracer la navigation, à la demande de télécharger tout ou partie d’un site, des termes pourront être mis en évidence dans les pages / documents à partir d’ontologies. L’outil devra permettre à l’analyste d’ajouter des informations, de taguer et commenter certaines parties des documents/pages visités, de mettre à jour et importer les ontologies, d’indexer les documents, de mettre en évidence automatiquement ou manuellement les relations entre les documents/sites, etc. L’outil devra gérer son espace de stockage et permettre la reprise d’une session de navigation si celle-ci est interrompue. Les données ainsi générées feront l’objet d’un export dans un format à définir (minima json).
Compétences indispensables Compétences souhaitées • Motivation • Esprit de recherche • Langage de script / programmation • Modélisation.
• Langage Python, C, HTML, Java • Gestion des connaissances • Autonomie.
SSI-2021-ICM-4 Extraction de triplet RDF dans des textes non structurés
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Text mining Linked Data Knowledge Extraction
Dans le cadre d'analyses de sécurité, le laboratoire « intelligence Cyber » du département ICM (Ingénierie et Connaissance de la Menace) effectue de la recherche d’information dans des données « source ouverte ». Afin d'améliorer la pertinence de cette activité, ce stage propose de participer au développement d'une solution de d’extraction et de gestion de connaissance. Ce sujet du stage cible l’extraction de triplet RDF dans des données textuelles non structurées. Ils existent de nombreux travaux universitaires sur ce sujet, les travaux demandés consistent à : - Analyse bibliographique des solutions existantes. - Choix d’une solution et montage d’une plateforme - Evaluation et proposition évolution. Directement intégré aux équipes d’analyse et de capitalisation des données cyber, le candidat devra se montrer motivé et force de proposition sur les solutions envisagées.
Compétences indispensables Compétences souhaitées • Motivation • Esprit de recherche • Langage de script • Traitement du langage.
• Python • Autonomie • Montage de plateforme.
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration. Ce stage offre l’occasion d’intégrer le domaine porteur de la cybersécurité.
SSI-2021-ICM-5 Corrélation dans un graphe d’information/ connaissance
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Ontology Knowledge Graph
Dans le cadre d'analyses de sécurité, le laboratoire « intelligence Cyber » du département ICM (Ingénierie et Connaissance de la Menace) effectue de la recherche d’information dans des données « source ouverte ». Afin d'améliorer la pertinence de cette activité, ce stage propose de participer au développement d'une solution de d’extraction et de gestion de connaissance. Ce sujet du stage cible les possibilités de corrélation à l’intérieur d’un graphe d’information/connaissance aligné sur une ontologie. Le graphe comporte une partie labellisée connaissance (considéré comme des patrons à reconnaitre) et une partie dynamique d’informations à reconnaitre. Les travaux demandés consistent à : - Analyse bibliographique des solutions existantes. - Choix solution et montage d’une plateforme - Evaluation et proposition évolution. Directement intégré aux équipes d’analyse et de capitalisation des données cyber, le candidat devra se montrer motivé et force de proposition sur les solutions envisagées. Désireux d'apprendre et aimant le travail en équipe, le candidat pourra être proposé à une thèse cyber sécurité.
Compétences indispensables Compétences souhaitées • Motivation • Esprit de recherche • Langage de script • Ontologie.
• Python • Autonomie • Montage de plateforme.
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration. Ce stage offre l’occasion d’intégrer le domaine porteur de la cybersécurité. Ce stage peut déboucher sur un thèse cybersécurité.
SSI-2021-SCY-1 Implémentation matérielle d’un générateur d’empreinte numérique
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois VHDL Verilog FPGA PUF Cryptographie
Les récentes études ont démontré qu’un composant peut-être identifié grâce à une empreinte numérique unique générée avec des fonctions spéciales appelées PUF (Physical Unclonable Function). L’étude proposée dans le cadre de ce stage permettra d’évaluer l’adéquation d’une architecture existante de la fonction PUF avec la structure d’un composant programmable FPGA. L’implémentation matérielle de la fonction PUF et de son contrôleur sur un composant FPGA permettra d’évaluer également ses performances et ses caractéristiques en terme d’unicité, de fiabilité et d’entropie. Le stage comporte trois étapes, une analyse succincte de l’état de l’art permettra tout d’abord d’appréhender les fonctions PUF et de comprendre l’architecture identifiée pour l’étude. Ensuite, le stagiaire développera un bloc VHDL dédié qu’il intègrera sur une plateforme ZedBoard contenant un FPGA Xilinx Zynq. Le troisième volet du stage consistera à analyser les empreintes numériques générées par la fonction PUF et à évaluer ses performances et ses caractéristiques. Le stage se déroulera au sein du laboratoire CM (cryptographie matérielle) qui étudie et définit des solutions d’implémentation matérielle pour les algorithmes cryptographiques et les mécanismes de sécurité. Le laboratoire CM est rattaché au département SCY (Services Cryptographiques).
Compétences indispensables Compétences souhaitées • Langage VHDL • Connaissances en FPGA
• Notions en cryptographie • Informatique industrielle
Les “+” du stage Le stagiaire mettra en pratique les connaissances acquises lors de sa formation et il apprendra des nouvelles méthodes d’implémentation sur les composants FPGA. Le stage se déroulera au sein d’un département multidisciplinaire qui offrira au stagiaire l’opportunité de vivre des expériences variées et enrichissantes tant sur le plan personnel que technique.
SSI-2021-VIM-1 Recherche automatisée de gadgets dans l’embarqué
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois ROPCHAIN Embarqué Reverse
Le département VIM (vulnérabilités dans l’informatique embarquée) recherche et démontre des failles de sécurité lors d’audits d’équipements utilisés par le ministère et les forces armées. Ce stage se propose de fournir un outil d’aide au développement de ROPchains (ou variantes spécifiques à l’architecture) dans des architectures type ARM, MIPS, SPARC, etc. Dans un premier temps, le stagiaire devra se familiariser avec les outils à l’état de l’art (outils de recherche syntaxique et symbolique), et faire un benchmark des différentes méthodes dans le contexte spécifique d’architectures qu’on retrouve dans l’embarqué. Il devra ensuite développer un « méta-outil », permettant d’agréger les sorties des outils en synthétisant les résultats dans une syntaxe à développer permettant facilement à l’analyste de trouver ou rechercher des gadgets pertinents. On étendra ensuite l’outil en intégrant des recherches effectuées à la DGA (outil de recherche de gadget par la « teinte » de registre par exemple), ou des outils symboliques (type Z3), afin de fournir à l’analyste des plus courts chemins de gadgets permettant de réaliser des opérations simples (stack pivot, etc.). Le stage pourra éventuellement déboucher sur une proposition de poste en CDI.
Compétences indispensables Compétences souhaitées • Bonnes notions d’assembleur • Langage de script type python
• Développement logiciel • Notions techniques d’exploitation
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration Ce stage permettra au stagiaire de se familiariser avec des techniques d’exploitation modernes, d’effectuer du développement, ainsi que de se plonger dans un domaine de recherche actif sur l’automatisation de ropchain.
SSI-2021-VSE-1 Analyse applicative et recherche de vulnérabilité
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Android CVE Reverse
Le laboratoire REALM du département VSE (Vulnérabilités des Systèmes d'Exploitation) est référent sur le système Android. Il doit être capable d'évaluer le niveau de sécurité d'un périphérique, tout constructeur confondu. Ce stage propose :
• de faire l'analyse de la surface d'attaque au niveau applicatif sur plusieurs surcouches constructeurs • de développer des outils d'analyse d'APK • de développer des outils d'analyse d'une surcouche constructeur dans son ensemble.
Directement intégré aux équipes de rétro ingénierie et de recherche de vulnérabilité, le candidat devra se montrer motivé et force de proposition sur les solutions envisagées. Désireux d'apprendre et aimant le travail en équipe, le candidat pourra être proposé à un poste d'ingénieur en CDI à l'issue du stage, d'une durée qui lui conviendra.
Compétences indispensables Compétences souhaitées • Motivation • Curiosité • Esprit de recherche
• Développement C • Python
Les “+” du stage
Si tu as une forte volonté d'apprendre et de te perfectionner sur les aspects techniques liés à la rétro-ingénierie, l'audit sécurité de code source et la recherche de vulnérabilités, ce stage t’offrira la possibilité de faire tes premières armes avec une équipe d’experts reconnus dans le domaine de la cyber sécurité. Il s’agit d’un stage de pré-embauche.
SSI-2021-VSP-1 Diversification d’outils de test d’intrusion
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Analyse Développement Assembleur Java
Le département VSP (vulnérabilités serveur et pentest) recherche et démontre des failles de sécurité lors d’audits d’équipements utilisés par le ministère et les forces armées. Ce stage se propose d’adapter un outil de test d’intrusion publique (CobaltStrike) afin d’adapter ces fonctionnalités aux besoins de DGA-Mi. Dans un premier temps, le stagiaire devra se familiariser avec l’outil en question ainsi que sur les techniques d’évasion d’antivirus. Il devra ensuite adapter le l’outil pour correspondre aux impératifs et aux contraintes rencontrées dans les tests d’intrusions mené par DGA-Mi. On pourra éventuellement étendre le stage en créant un outil de diversification de charge générées par d’autres outils tel que metasploit / empire / …
Compétences indispensables Compétences souhaitées • Langage Java / assembleur • Développement logiciel
• Notions de rétro-ingénierie logiciel • Notions de techniques d’intrusions
Les “+” du stage Le stage pourra éventuellement déboucher sur une proposition de poste en CDI. Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration.
Ce stage permettra au stagiaire de se familiariser avec des techniques d’évasions d’antivirus modernes, d’effectuer du développement, ainsi que de se plonger dans le domaine du développement d’outils d’attaque.
SSI-2021-XCS-1 Réseau de neurones pour attaques par canaux auxiliaires
Niveau requis Durée Mots-clés Bac + 5 6 mois Deep Learning Side channel attack Embarqué
L'objectif de ce stage est d'embarquer sur un raspberry Pi, et/ou une petite carte spécialisée, un réseau de neurones ayant pour rôle d'effectuer une attaque par canaux auxiliaires. Dans le cadre d'un PFE, nous mettons en place une attaque par canaux auxiliaires permettant de déchiffrer une conversation (par les airs) entre deux cartes. Au-delà de l'aspect démonstration, ce PFE est un parfait cas d’usage pour l’étude de deux problématiques récurrentes : - la robustesse d'une attaque avec apprentissage vis-à-vis des variations de l’environnement, - l’embarquabilité des réseaux de type Deep Learning dans des systèmes contraints. En effet, cette démonstration ayant vocation à être mobile, les conditions de mesure in situ varieront entre la mise au point de la démonstration et sa mise en œuvre en public. Ces problématiques se retrouvent aussi lors d'attaques plus classiques dès lors que l'on ne maîtrise pas totalement les conditions de mesure. De plus, la mobilité de la démonstration empêche l’utilisation d’un puissant calculateur pour mener à bien l’attaque. Le stage a donc pour but : 1. d'étudier la robustesse des réseaux de types Deep Learning pour les attaques par canaux auxiliaires (positions de sondes); 2. de définir des architectures légères de réseaux robustes qui seraient de bon candidat à l'embarquement; 3. de mettre en œuvre de tels réseaux sur les cibles proposées (raspberry Pi). Les points 1 et 2 seront des travaux joints entre les deux départements impliqués et avec une implication particulière de l'apprentie. Le dernier point sera traité essentiellement sous l'encadrement du département IA.
Compétences indispensables Compétences souhaitées • Intelligence Artificielle (Deep learning, …) • Tensenflow 2.x, Python, C/C++ • Maîtrise OS embarqué (linux)
• Compétences en side channel attack • Maîtrise d’une chaine de cross compilation
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration.
SSI-2021-XEL-1 Étude et développement d’un analyseur de code
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Analyse de code Analyse statique
Le département XEL (eXpertise en Evaluation de Logiciels sécurisés) participe à l’évaluation de la sécurité et de la fiabilité des logiciels du Ministère des Armées. Les langages de programmation actuels pose de nombreux défis en termes de vérification. Ce stage propose de contribuer à l’amélioration des méthodes d’évaluation des logiciels de sécurité. Les travaux consisteront à :
• réaliser un état de l’art des outils d’analyse statique/dynamique/hybride ; • expérimenter des outils existants sur des projets open source et identifier les limitations ; • développer un prototype d’analyseur de code (éventuellement sur la base d’un outil existant).
Directement intégré aux équipes d’évaluation, le candidat devra se montrer motivé et force de proposition sur les solutions envisagées.
Compétences indispensables Compétences souhaitées • Motivation, Esprit de recherche • Maîtrise du langage C, familier de C++ • Connaissances sur la compilation ou l’analyse
statique
fuzzing, méthodes formelles
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui devra être contrôlé par l’administration. Dans un cadre de travail agréable et détendu, ce stage se réalisera entouré des équipes d’XEL aux compétences variées allant de la cryptographie au système d’exploitation en passant par les subtilités sémantiques des langages de programmation.
Ce stage enrichissant permet également d’intégrer le domaine porteur de la cybersécurité riche en opportunités de recrutement au sein de la DGA.
SSI-2021-XIN-1 Evaluation Sonde HIPS
Niveau requis Durée Mots-clés Bac + 5 5 à 6 mois Sonde Scénario MITRE automatisation Python C# C
PowerShell
Dans le cadre de la connaissance de la menace, le département XIN est amené à valider des sondes de type HIDS/HIPS. Le but du stage est de contribuer à l’automatisation de scénario d’attaque afin de valider le bon fonctionnement et l’efficacité en termes de LID d’une sonde HIPS. Le stage proposé se découpe en deux parties :
- Monter en compétence afin de comprendre les concepts et mécanismes d’une sonde HIPS, - Prise de connaissance des scénarios déjà répertorié dans notre base, - Développement de nouveaux scénarios d’attaques, - Sélection et réalisation manuel de scénario prometteur dans un environnement virtuel, - Automatisation des scénarios sélectionnés.
Le candidat travaillera sous la tutelle d’un de nos experts. Il devra se montrer motivé, curieux, critique et force de proposition sur les solutions envisagées.
Compétences indispensables Compétences souhaitées • Virtualisation : Vmware ou autre • Langage de développement : C ou C# • Langage de script : Python, PowerShell • Système d’exploitation : Windows • Motivation, Curiosité, Esprit de recherche, autonomie
• Test d’intrusion : utilisation de metasploit • Investigation numérique : outils forensic,
analyse de log • Développement système (API Windows, Driver,
etc.) • Connaissances matrice MITRE ATT&CK.
Les “+” du stage Si tu as une forte volonté d'apprendre et de te perfectionner sur les aspects techniques liés à la LID, ce stage te permettra de te familiariser sur une sonde HIDS, d’améliorer tes connaissances sur les techniques pentest (LID), et sur l’automatisation de scénario.
ASC2-2021-EORD-1 Modèles de localisation SAR
Niveau requis Durée Mots-clés Bac + 5 4 à 5 mois Localisation physique SAR
Le département EORD (Espace Observation Renseignement Drone) a une mission d’expertise sur la maîtrise de localisation de données images (satellites, aériens...) en entrée et sortie de systèmes d’exploitation d’images. Dans ce cadre, les performances de localisation selon les traitements de recalage d’images doivent être caractérisées précisément. Ce stage doit apporter des éléments en réponse à cet objectif. Il se divise en deux parties :
• Etude du modèle de localisation physique d’une image SAR • Etude d’un processus de caractérisation d’un modèle d’erreur associé à l’imagerie radar ; • L’implantation d’une maquette fruit de ces deux études.
Les travaux consistent à : • Identifier les différents paramètres de localisation physique d’une image SAR ; • Modéliser la localisation physique SAR à partir des paramètres précédents ; • Identifier les différentes contributeurs d’erreur d’une image SAR et caractériser leurs statistiques ; • Modéliser le modèle de propagation d’erreur à partir des contributeurs précédents ; • Développer une maquette et valider ces modèles sur quelques exemples fournis.
Le stagiaire devra fournir pour chaque phase des travaux un document de synthèse décrivant et/ou justifiant les travaux réalisés.
Compétences indispensables Compétences souhaitées • Modélisation Mathématique, • Optimisation Linéaire et non linéaire, • Analyse et Simulation Numérique, • Langages de programmation : C++ ou JAVA
(Expérience valorisée par un projet d’études).
• Statistiques, • Synthèse d’images radar (SAR), • Géo-référencement des images • Mécanique.
ASC2-2021-IA2P-1 Etudes des vulnérabilités à base d’IA
Niveau requis Durée Mots-clés Bac + 5 6 mois Intelligence Artificielle Deep Learning Traitement
d’images
Etudes des vulnérabilités sur des algorithmes de détection d’objets à base d’IA : Le stage consistera à une analyse des risques liés à un ou plusieurs types de vulnérabilités sur des modèles d'IA. Ces modèles sont basés sur du deep learning par exemple pour des tâches de détection automatique d’objets dans des images. Les vulnérabilités potentiellement considérées seront :
- L’attaque par leurrage (au travers de la mise en place d’exemples adversaires par exemple), - La mise en place de portes dérobées (ou backdoor, par exemple au travers d’empoisonnement de
données) et la détection de ces portes dérobées, - L’extraction de modèle boite blanche à partir de modèle boite noire, - La reconstruction de données d’entrainement à partir d’un modèle boite noire.
Les outils pressentis pour ce stage sont Keras/Tensorflow ou Pytorch
Compétences indispensables Compétences souhaitées • Compétences en Deep Learning • Programmation Python
• Compétences en traitement d’images • Keras/TensorFlow ou PyTorch
ASC2-2021-IA2P-2 Auto-apprentissage pour le signal acoustique
Niveau requis Durée Mots-clés Bac + 5 6 mois IA Deep Learning Unsupervised Representation
Learning Submarine Acoustic
Description du stage L’apprentissage auto-supervisé (Self-Training en anglais) est un des sujets les plus porteurs du Deep Learning ces deux dernières années. Cette technique consiste à pré-apprendre sans annotation des représentations riches des données et ce grâce à des tâches auxiliaires (typiquement prédire le futur ou reconstruire des données cachées). Ces représentations riches sont ensuite utilisées par d’autres tâches qui profitent directement de la « connaissance » acquise. La tendance a été initiée dans le domaine du Natural Language Processing avec les systèmes BERT ou GPT mais essaime maintenant dans tous les domaines. Nous nous intéresserons dans ce stage à l’application de techniques récentes d’apprentissage auto-supervisé (telles que le Contrastive Predictive Coding) à des données d’acoustique sous-marine. Le but du stage sera de comparer une approche « tout supervisé » et une approche « auto-supervisé puis supervisé » sur une tâche de détection-classification de cétacés. Le corpus utilisé pourra être le corpus public du NOAA “Cetacean and Seabird Data Collected During the Hawaiian Islands Cetacean and Ecosystem Assessment Survey (HICEAS), July–December 2017”.
Compétences indispensables Compétences souhaitées • Deep Learning • Programmation (dont Python)
• Traitement du signal audio • TensorFlow ou PyTorch
ASC2-2021-IA2P-3 Production d’images réalistes
Niveau requis Durée Mots-clés Bac + 5 6 mois Intelligence Artificielle Deep Learning Traitement
d’images
Production d’images réalistes à partir de données synthétiques par adaptation de domaine : Les images radar (SAR) ont l’avantage de pouvoir être obtenues le jour et la nuit ainsi que dans des conditions météo variées. Toutefois, l’acquisition de telles données étant complexe, ces images sont généralement peu nombreuses et peu variées. Des outils de simulations permettent toutefois de recréer à moindre coût des images semblables aux images radar réelles grâce aux connaissances physiques du phénomène. La DGA MI possède un certain nombre de moyens de production d’images synthétiques, notamment pour les images radar (SAR). La différence entre images réelles et simulées reste donc importante et rend la mise en place d’algorithmes d’identification automatique d’objet réels à partir de leur représentation simulée difficile. Ce stage se basera sur des bases de données d’images radar réelles et simulées et visera notamment à explorer certaines pistes permettant d’améliorer les performances de reconnaissance automatique (basée sur des algorithmes de deep learning de CNN) parmi lesquelles :
• Analyse et optimisation des données d’entrées et du pre-processing, • Amélioration du réalisme des images simulées à l’aide d’algorithmes d’adaptation de domaine (CycleGAN
ou autres), • Amélioration des performances de reconnaissance des objets via l’utilisation d’un espace latent adapté.
Les outils pressentis pour ce stage sont Keras/Tensorflow ou Pytorch.
Compétences indispensables Compétences souhaitées • Compétences en Deep Learning, Réseaux de neurone • Programmation Python
• Compétences en traitement d’images • Keras/TensorFlow ou PyTorch
ASC2-2021-IA2P-5 IA Deep Receiver
Niveau requis Durée Mots-clés Bac + 5 6 mois Intelligence Artificielle Deep Learning Telecom
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. 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 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). 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.
techniques
• Compétences en IA (réseaux de neurones) • Compétences en traitement du signal
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration, ainsi que de présentations régulières au sein de la DGA.
ASC2-2021-IA2P-6 Réseaux génératifs adverses
Niveau requis Durée Mots-clés Bac + 5 6 mois Intelligence Artificielle Deep Learning
L'entrainement et la performance des réseaux de neurones dépendent directement des données disponibles pour l’entrainement. Quelle que soit la tâche à effectuer le manque de données peut empêcher l'apprentissage de fournir des résultats satisfaisants. Une approche pour pallier ces problèmes est l'utilisation de réseaux adverses génératifs (GANs), qui permettent par le générateur de produire des données réalistes, par transfert de style de transformer des images synthétiques en images réalistes ou par Inpainting de générer et modifier des sous parties des images. Cette dernière approche est encore peu explorée et elle est très prometteuse car elle a le double avantage d’appliquer des légères modifications à l’image pour amener de la diversité et même d’incruster de nouveaux éléments. Au sein du département IA2P (Intelligence Artificielle et Apprentissage Profond) de DGA-MI, vous aurez la mission de tester, de modifier et d’évaluer des architectures de réseaux de neurones de type GANPaint, GANDissect. Le stage sera découpé comme suit : Phase 1 : Etat de l’art des solutions récemment apportées dans ce domaine Phase 2 : Prise en main du code déjà disponible Phase 3 : Evaluation des traitements et étude des limites actuelles Phase 4 : Ajout de classe d’objets d’intérêts et réapprentissage Phase 5 : Intégration du traitement meilleur dans un démonstrateur.
Compétences indispensables Compétences souhaitées • Compétences python, Tensorflow/Keras • Rigueur, Capacités d'analyse et de synthèse • Compétences en IA (réseaux de neurones)
• Compétences en traitement du Signal et des d’images
• Mathématiques Appliquées
Les “+” du stage Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration, ainsi que de présentations régulières au sein de la DGA.
ASC2-2021-IA2P-7 Apprentisage de réseaux de neurones
Niveau requis Durée Mots-clés Bac + 5 6 mois Apprentissage Deep Learning
Il est aujourd’hui primordial que les puces électroniques étatiques soient conformes aux spécifications. Pour s’assurer de cette conformité, les puces sont vérifiées par les équipes de DGA-MI. La complexité des puces ne cesse de s’accroitre, ce qui implique une quantité de données à analyser toujours plus importante. Pour gérer ce volume de données, de nouvelles techniques de vérification sont utilisées. Celles-ci sont basées sur des approches par réseau de neurones pour détecter les différentes éléments constituants une puce. Ces approches biens que performantes montrent certaines limites. Notamment, les modèles utilisés restent très spécialisés aux images utilisées pour l’apprentissage. Les utilisateurs d’analyse d’image souhaitent pouvoir faire progresser la détection au fur et à mesure de leur exploitation en tirant partie de nouvelles annotations. Il est toutefois très délicat de re-entrainer le réseau à chaque ajout de données issues de son utilisation : les risques de régression de performances sont importants (phénomène de l’oubli catastrophique) et le temps de labellisation et d’apprentissage peuvent s’avérer rebutant. L’objectif du stage est double : - d’une part spécialiser un modèle à partir de très peu de données annotées d’une nouvelle puce, en étudiant et proposant des traitements d’apprentissage actif pour sélectionner parmi un lot d’images, les images qui vont le plus enrichir le modèle existant. - d’autre part développer une approche rendant automatique le processus d’apprentissage continu pour améliorer le modèle sans être obligé de réapprendre sur le corpus complet.
Compétences indispensables Compétences souhaitées • Techniques d'Intelligence Artificielle (Deep learning,
VAE, …) • Compétences en Tensenflow/Keras • Développement python.
• Compétences en traitement d’images • Connaissance en anglais : littérature technique.
ASC2-2021-IA2P-8 Découpage automatique de vidéos
Niveau requis Durée Mots-clés Bac + 5 6 mois Deepfakes Deep Learning Traitement d’images
Découpage automatique de vidéos en séquence de phonèmes : Manipulation de médias vidéos. L’objectif du stage est de réaliser le découpage automatique de vidéos en séquence de phonèmes. Pour mener à bien ce stage, le stagiaire réalisera les travaux suivants :
• Etat de l’art des traitements pour l'alignement entre la bande son et les images d’une vidéo • Réaliser à partir de librairie vision par ordinateur la détection des tracks des visages. • Vérifier l'alignement entre la bande son de la vidéo et le mouvement des lèvres du visage. • Découper la vidéo en séquence de phonèmes.
Vérifier le découpage en créant une IA capable à partir des séquences de phonèmes de reconstruire la vidéo.
Compétences indispensables Compétences souhaitées • Techniques d'Intelligence Artificielle (Deep learning,
VAE, …) • Compétences en traitement d’images • Compétences en Tensenflow/Keras • Développement python
• Connaissances d’outils de manipulation de vidéo : ffmpeg, opencv, …
• Connaissances de format de vidéos (compression, codage, …)
• Traitement automatique de la parole • Connaissance en anglais : littérature technique
ASC2-2021-IA3D-1 Apprentissage réparti sur machine distribuée
Niveau requis Durée Mots-clés Bac + 5 6 mois Apprentissage machine GPGPU
Apprentissage réparti, multi-GPU ou multi-ressources hétérogènes
L’apprentissage machine (ML) nécessite de grandes capacités calculatoires, tant sur le plan des unités de traitement que sur la gestion des flux et le stockage des données. Des machines centralisées composées de plusieurs accélérateurs de type GPGPU permettent de répondre en partie à cette problématique, moyennant un coût élevé. Une autre approche est de répartir l’apprentissage sur plusieurs machines plus modestes, voire embarquées. Le but est de faire un état de l’art des techniques et intergiciels permettant de répartir l’apprentissage sur une machine distribuée, c’est-à-dire ne comportant pas de mémoire centrale (pas de RAM physiquement partagée). La complexité provient du fait qu’il faut employer un modèle de programmation hybride : le modèle imposé par les outils de ML pour déployer les calculs sur les accélérateurs locaux et le modèle de programmation par passage de message (MPI, ou du dataflow) pour répartir les travaux entre les nœuds de calcul et orchestrer les échanges intermédiaires (par exemple des poids, des coefficients...). La démonstration pourra s’effectuer sur un mini cluster de PC classiques dotés de GPUs et des données NP. Ce stage est proposé par le département IA3D spécialisé dans l’étude et la mise en place d’algorithmes complexes pour les systèmes multi-agents autonomes et la science des données.
Compétences indispensables Compétences souhaitées • Techniques d'Intelligence Artificielle • Outils pour l’apprentissage machine • Compétences en systèmes distribués (algorithmique
répartie, passage de messages).
• Outils pour le calcul distribué (MPI, MapReduce) • Quelques notions sur les systèmes de calcul
haute-performance (HPC) • Python.
ASC2-2021-IA3D-2 Priorisation et orchestration des communications
Niveau requis Durée Mots-clés Bac + 5 6 mois Systèmes communicants, Intelligence collaborative
Recherche opérationnelle
Priorisation et orchestration des communications dans le contexte d’un réseau pair-à-pair volatile : L’évolution des moyens de calcul embarqué permettent le développement de nouvelles applications pour les systèmes mobiles, dans lesquels une partie du traitement de l’information peut s’effectuer au plus proche des capteurs. Le contexte de ce stage se compose d’un ensemble de véhicules (porteurs) dotés de moyens de communication fortement contraints en débit. L’objectif est d’identifier les informations sémantiques permettant de décrire l’environnement d’un porteur et de déterminer un ordre de priorité pour la transmission de ces informations sémantiques aux porteurs voisins, sur un modèle de communication pair-à-pair opportuniste et en présence de volatilité. Un axe de recherche consiste à se reposer sur des algorithmes de recherche opérationnelle / IA pour construire ces listes de priorité et ainsi déterminer à un instant t, l’information sémantique à transmettre et le porteur destinataire. Un scénario de protection collaborative peut être envisagé. La démonstration pourra s’effectuer sur un mini cluster de plateformes embarquées interconnectés par un réseau intermittent (filaire, déconnexions simulées). Ce stage est proposé par le département IA3D spécialisé dans l’étude et la mise en place d’algorithmes complexes pour les systèmes multi-agents autonomes et la science des données.
Compétences indispensables Compétences souhaitées • Algorithmique répartie • Aide à la décision • Techniques pour l’Intelligence Artificielle • Python.
• Outils pour le calcul distribué (MPI, ZeroMQ,..) • Quelques notions sur les systèmes de calcul
haute-performance embarqués (HPEC).
ASC2-2021-IA3D-3 Détection d’intrusions par émissions de signaux compromettants
Niveau requis Durée Mots-clés Bac + 5 6 mois Détection d’anomalies, Signal électromagnétique
Deep learning
En partenariat avec le laboratoire d’analyse des Signaux Parasites Compromettants de DGA-MI, le département IA3D (Intelligence Artificielle pour les Agents Autonomes & Datascience) propose un stage sur la détection d’intrusion sur un réseau électrique à partir du rayonnement EM des appareils non autorisés. De premiers travaux ont abouti à la mise en place de deux solutions IA permettant de détecter la présence d’un intrus dans un contexte expérimental (Publications à EUSIPCO 2020 et CAID 2020). Ce stage a pour objectif d’améliorer ces solutions afin de les rendre utilisables dans un contexte réel. Il s’agira d’adapter et d’améliorer les traitements pour pouvoir faire la détection d’intrus sur un temps continu long. Par ailleurs, une étude d’amélioration sur les performances à plus longue distance pourra être aussi réalisée. Un premier jeu de données générées par le laboratoire d’analyse des Signaux Parasites Compromettants est déjà utilisable et de nouvelles données pourront être générées en fonction de l’avancement des travaux.
Compétences indispensables Compétences souhaitées • Connaissances en IA et DeepLearning • Programmation (Python).
• Connaissances en traitement du signal • Une 1er expérience avec Pytorch ou Tensorflow.
CGN1-2021-ERS-1 Données GHOM pour Simulation numérique Radar
Niveau requis Durée Mots-clés Bac + 5 6 mois Traitement du signal Logiciels SIG Radar
Dans le contexte actuel de détection électromagnétique et pour un certain nombre de systèmes radar futurs à développer, la conception des traitements (tels que l’imagerie SAR et la détection de cibles en environnements marin et terrestre) ne peut aisément se faire qu’en s’appuyant largement sur la simulation numérique puisque les missions à réaliser resteront inaccessibles à l’expérimentation. L’objet de ce stage consistera dans un premier temps à comprendre et appréhender les différentes données GHOM (Géographie Hydrographie Océanographie Météorologie) disponibles soit en open source soit via le Ministère des Armées, et ce notamment par l’utilisation de logiciels SIG tels que QGis (https://www.qgis.org/fr/site/). Dans un second temps, ces données GHOM seront ainsi utilisées, modifiées et agrémentées éventuellement de nouveaux éléments (en fonction de la vérité terrain), au format CDB (Common DataBase), de façon à alimenter les logiciels métier de DGA MI, comme par exemple pour simuler des images SAR synthétiques et aussi détecter telle ou telle cible dans tel ou tel environnement. Ce travail nécessite :
• une bonne maîtrise de la problématique Radar • une bonne aptitude à la prise en main de logiciels SIG publiques et logiciels métier internes • une bonne autonomie de travail mêlant approche théorique et simulation numérique • des notions du format Common DataBase (description de bases de données 3D de terrain).
Compétences indispensables Compétences souhaitées • Fonctionnement des logiciels SIG • Traitement du signal • Autonomie, Bon relationnel
• Electromagnétisme, radar, hyperfréquence • Connaissance du format CDB
Les “+” du stage Utilisation des logiciels métier du moyen SIROS (Simulation for Imagery Radar and Ocean Surveillance) de DGA MI. Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration.
CGN1-2021-GAC-1 Développement d’outil d’échange de données
Niveau requis Durée Mots-clés Bac + 3 / +5 3 ou 4 mois Traitement du signal Mesures
Développement C# d’un outil d’échange de données pour Expertise SICOMORE : Dans le cadre des activités d’expertise des systèmes de guerre des communications, des essais de caractérisation de systèmes radio sont mis en œuvre sur des moyens hybrides à DGA-MI. Le département GAC (Guerre Electronique Aéroportée et brouillage des Communications) propose un stage d’une durée de 3 mois, entre juin et septembre 2021, dans le but de créer un outil informatique SiCoMore (SIgnal COnversion & More) permettant de créer, de visualiser des fichiers de signaux et de les adapter à des générateurs de signaux et des équipements de type « brouilleurs » afin d’être émis en radiofréquence. SiCoMore permettra, au travers d’une IHM, de faciliter la création, la modification et la visualisation de fichiers échantillons représentant un signal en informatique. La représentation se fera suivant plusieurs modes : amplitude temps, temps fréquence, ... L’analyse des données s’effectuera en présentant les données sous formes d’histogrammes et de graphiques temps/valeurs... Le travail du stagiaire consistera à créer cette IHM permettant de paramétrer la génération et la modification des fichiers :
- Grâce à des outils disponibles type SCILAB, GNU RADIO, ... - En utilisant des cartes SDR type HackRF, carte ETHUS pour générer les fichiers et les tester - Qui seront applicables sur des générateurs de chez ROHDE & SCHWARZ, KEYSIGHT, ... - Et seront paramétrables en durée, répétition, niveau...
Le langage de programmation de SiCoMore envisagé est le C#. Le stagiaire rédigera la documentation logicielle associée sous la forme d’un manuel utilisateur.
Compétences indispensables Compétences souhaitées • Développement informatique en C#, • Traitement du signal, Dév. IHM.
• Connaissances de produits SDR, • Pilotage appareils de mesure.
CGN1-2021-GAC-2 Amélioration d’un outil d’analyse
Niveau requis Durée Mots-clés Bac + 4 3 mois Traitement du signal Mesures interception
Dans le cadre des activités d’expertise des systèmes de guerre électronique radar des avions d’armes, des essais de caractérisation de ces systèmes sont mis en œuvre sur des moyens hybrides à DGA-MI. Le banc d’acquisition MELBA a été conçu pour enregistrer et analyser les données de ces essais. Le département GAC (Guerre Electronique Aéroportée et brouillage des Communications) propose un stage d’une durée de 3 mois, entre juin et septembre 2021, dans le but de faire évoluer l’outil TRAM (Traitement et Analyse de sortie MELBA), développé pour améliorer l’analyse d’essais de guerre électronique venant du banc d’acquisition MELBA. TRAM permet au travers d’une IHM de faciliter l’analyse des données en présentant les données sous formes d’histogrammes et de graphiques temps/valeurs... Il a été développé dans le cadre d’un stage précédent et est documenté. Le travail du stagiaire consistera notamment à porter cette IHM pour un banc différent en développant donc :
• un portage de TRAM pour un outil en temps/fréquence, • des ajouts de fonctionnalités internes à TRAM.
Le langage de programmation de TRAM est le C++, avec la possibilité de développer des blocs en Python si nécessaire, le tout à l’aide de l’API Qt. Le stagiaire rédigera la documentation logicielle associée sous la forme d’un manuel utilisateur.
Compétences indispensables Compétences souhaitées • Développement informatique en C++, • Mesure des signaux, • Capacités de rédaction.
• Traitement du signal, • Autonomie, • Notion de développement d’IHM
CGN1-2021-GNS-1 Générateur de signaux télécom SDR synchrone
Niveau requis Durée Mots-clés Bac+5 en
électronique/informatique embarquée
Dans le domaine de la guerre électronique des télécommunications, le stagiaire aura en charge d’étudier et d’implémenter un moyen de génération sur la base d’équipements radio-logicielle (USRP ou châssis NI PXI). L’objectif de ce stage est de concevoir puis de développer une brique de génération de signaux RF pouvant être synchronisée. La synchronisation basée sur un récepteur GPS pourra être absolue ou permettre la synchronisation de plusieurs générateurs afin de simuler des réseaux télécom synchrones (TDMA, évasion de fréquence). Les développements pourront se baser sur des solutions logicielle open-source (GnuRadio), ou sur des solutions de type labview ou labview FPGA RIO. Les étapes du stage seront :
- Elaboration du cahier des charges - Conception et choix des solutions (gnu radio ou labview) - Maquettage/réalisation - Tests - Rédaction d’un rapport de stage.
Compétences indispensables Compétences souhaitées • Informatique et électronique industrielle. • Autonomie sur les outils GnuRadio et/ou Labview, • base en FPGA.
• Connaissances de produits SDR, • Pilotage appareils de mesure.
CGN1-2021-GNS-2 Outil de dépouillement et de capitalisation d’essais
Niveau requis Durée Mots-clés Bac+4 ingénieur en
informatique
Le département GNS (Guerre électronique Navale et Situation Tactique) propose un stage d’une durée de 3 mois dans le but de faire évoluer les outils MATAF et JADE, qui sont respectivement des outils de dépouillement automatisé et de capitalisation de données d'essais de guerre électronique. Dans le cadre des activités d’expertise des systèmes de guerre électronique radar, des essais de caractérisation sont déroulés sur des moyens hybrides. Des outils ont donc été développés afin de :
• dépouiller automatiquement les essais: les données sont extraites des fichiers d’enregistrement (fichiers XML) et sont mises en forme dans un rapport au format Word. L’IHM a été développée avec le langage Python en version 2.4 et les librairies PyQt4.
• capitaliser les essais: les données sont stockées dans une base de données SQLite et l’IHM a été développée dans la structure d’accueil Anaconda 3, qui utilise le langage Python en version 3.7 et les librairies PyQt5 ;
La première partie du stage consistera à porter l’outil MATAF dans la version la plus récente de la structure d’accueil (Anaconda 3 avec Python 3.7) et de mettre à jour la documentation logicielle associée. Dans la seconde partie, il s’agira de faire évoluer les fonctionnalités de JADE en intégrant les fonctions d’extraction de MATAF pour enrichir la base de données existante avec de nouvelles données liées aux tactiques de guerre électronique.
Compétences indispensables Compétences souhaitées • Codage informatique • Python et ses librairies (PyQt, SQLite) • Base de données
CGN1-2021-GNS-3 Simulation GE navale
3 mois Développement IHM Python
L’objectif du stage est de faire le maquettage d’une IHM qui dépouillerait et présenterait les résultats d’une simulation numérique de manière ergonomique.
La simulation numérique en question est celle d’un engagement entre l’autodirecteur électromagnétique (AD EM) d’un missile et les contre-mesures électromagnétiques (CME) d’un système de guerre électronique (SGE).
Cette IHM doit permettre de faire ressortir non seulement les résultats mais aussi les évènements clefs qui ont entraîné ces résultats. Un essai pourra ainsi être analysé efficacement. Deuxièmement, la simulation pourra comporter des essais paramétriques, une étude similaire devra essayer de discerner la meilleure façon de présenter de tels résultats.
Compétences indispensables Compétences souhaitées • Maîtrise de Python • Qt Designer.
CGN1-2021-GNS-4 Automatisation création scènes électromagnétiques
Niveau

Book de stages - Ministère des Armées...2020/11/23 · D’autre part, la construction des...

Documents

Transcript of Book de stages - Ministère des Armées...2020/11/23 · D’autre part, la construction des...

cour de compilation

Cours de compilation - Serveur de Pages …perso.ens-lyon.fr/christophe.alias/teaching/compilation... · 2014-12-07 · Cours de compilation Chapitre 9. Ordonnancement Master informatique

02 Marketing Environnements

Compilation Comptines Aria

Compilation Certifiée - irit.frMartin.Strecker/Talks/seminaire_irit_2004_11_10.pdf5 Contenu 0. Motivation 1. Compilation vérifiée • MicroJava: Typage, sémantique • Compilation;

Sécurité des environnements virtuels

FORUM ROFAF - COMPILATION DES … · 2009-04-11 · COMPILATION DES COMMUNICATIONS COMPILATION DES COMMUNICATIONS présentées au cours du forum présentées au cours du forum régionalrégionalrégional

Du langage à l'action: compilation et typage · La compilation Compilation du langage assembleur Calcul des adresses m emoire correspondant aux noms symboliques. Encodage sous forme

Environnements personnels d'apprentissage : Modélisation ...

COMPILATION SUR

compilation des promo exclu

24 septembre 2007Cours de compilation 3 - Intranet1 Cours de compilation Analyse lexicale Analyse syntaxique (intro)

Compilation (INF 553)

Thinking Programmable Desirable Environnements

Gabriel Peyre Work compilation

Les environnements d’apprentissage

24 septembre 2007Cours de compilation 4 - Intranet1 Cours de compilation Techniques danalyse descendantes.

Compilation cartographique Montréal

Les environnements sédimentaires

Storytelling - Environnements Solidaires