Machine Learning, Réseau, Systèmes et Sécurité
Porteurs du projet
- Bernabé Batchakui, Université de Yaoundé I, Cameroun
- David Bromberg, équipe WIDE, Inria Grenoble – Rhône-Alpes
Résumé
Il n’existe aujourd’hui pas de solutions satisfaisantes pour arrêter la prolifération de : (i) fraude à la simbox, et (ii) malware sur les appareils Android. Ils constituent une grave menace pour tout développement d’activité commerçante. D’une part, les simbox permettent fournir des appels internationaux à faible coût tout en exploitant les réseaux cellulaires des opérateurs de télécommunications sans leur autorisation. D’autre part, les logiciels malveillants peuvent interrompre et désactiver des applications, récupérer et usurper des informations personnelles et l’identité, accéder à des informations sensibles, contrôler toutes les applications s’exécutant sur l’appareil de l’utilisateur, et même surfacturer les utilisateurs pour des fonctionnalités largement disponibles. L’objectif de cette collaboration est de relever les deux défis susmentionnés. En particulier, nous visons à concevoir et à étudier de manière adéquate des techniques efficaces pour lutter contre les fraudes par simbox et la prolifération des logiciels malveillants sur Android. Relever ces défis nécessite des connaissances multidisciplinaires telles que l’apprentissage machine, les réseaux, les systèmes et la sécurité (d’où MLNS2). Il est rare que ces domaines d’expertise se retrouvent dans la même équipe de recherche, et c’est l’un des points forts de cette collaboration. Notre objectif scientifique est de combler le fossé entre chacun de ces domaines d’expertise tout en tirant parti de nos travaux communs en cours.
Mots clés : Sécurité des logiciels, Système d’exploitation, Vie privée, Systèmes mobiles
Site web : en construction
