Architecture de communication sécurisée pour les systèmes de soins de santé dans les villes intelligentes

Avec la croissance exponentielle de l’Internet des objets médicaux « Internet of Medical Things » (IoMT) et l’intégration massive de dispositifs connectés dans les hôpitaux et systèmes de santé intelligents, la protection des données médicales est devenue un enjeu majeur. Ces dispositifs, souvent contraints en termes de calcul, de mémoire et d’énergie, échangent des informations sensibles à travers des environnements dynamiques et exposés à de multiples menaces. Dans ce contexte, la sécurité des données médicales doit être assurée en tenant compte de quatre dimensions fondamentales : la confidentialité, l’intégrité, l’authentification et le contrôle d’accès. L’objectif principal de cette thèse est de concevoir des modèles robustes pour renforcer la sécurité des systèmes de santé intelligents. Pour atteindre cet objectif, nous avons divisé nos travaux en trois volets complémentaires. Dans le premier volet, nous proposons un schéma cryptographique post-quantique léger, basé sur l’algorithme « Binary Ring Learning With Errors » (BRLWE). Ce schéma combine la décomposition en trois parties « Three-way decomposition » avec la multiplication de Karatsuba pour l’optimisation du calcul polynomial, et la méthode de permutation aléatoire « Random Shuffling » afin de renforcer la résistance face aux attaques par canaux auxiliaires (i.e., timing, SPA et DPA) ainsi qu’aux attaques quantiques hybrides. Une implémentation sur microcontrôleur ARM Cortex-M0 a démontré que la solution est adaptée aux dispositifs médicaux contraints, avec des coûts de calcul réduits et une meilleure efficacité que les travaux existants. Le deuxième volet traite de la détection d’anomalies et d’attaques dans les environnements IoMT. Nous développons un nouveau jeu de données médicales, construit à partir de données physiologiques réelles et enrichi par des scénarios d’attaques représentatifs du domaine de la santé (i.e., attaques par falsification, déni de service et intrusions). Sur ces données, nous proposons un modèle d’apprentissage automatique par empilement « Stacking Ensemble » combinant « Random Forest », réseau de neurones artificiels et XGBoost. Les résultats montrent une précision de 98,02 % et une capacité robuste à détecter les anomalies en temps réel lors de transmissions de données médicales simulées. Enfin, dans le troisième volet, nous concevons un cadre adaptatif pour l’authentification et le contrôle d’accès dans les systèmes de santé. Ce cadre repose sur un modèle dual-agent basé sur l’apprentissage par renforcement « Reinforcement Learning » (RL). L’agent d’authentification intègre une analyse de risque contextuelle pour ajuster dynamiquement le niveau de sécurité, tandis que l’agent de contrôle d’accès évalue les comportements utilisateurs et les politiques organisationnelles. Pour l’évaluation, nous avons adapté le jeu de données « CERT Insider Threat » en contexte médical, afin de simuler des activités réalistes de professionnels de santé. Les résultats expérimentaux démontrent la supériorité de l’agent « Deep Q-Network » (DQN) par rapport à d’autres modèles RL et à plusieurs classificateurs d’apprentissage automatique traditionnels, grâce à une meilleure précision et un meilleur équilibre sur des données déséquilibrées. En résumé, les travaux réalisés dans cette thèse apportent des contributions significatives à la cybersécurité des systèmes de santé intelligents. Ils offrent : (i) un schéma cryptographique léger et résistant aux menaces post-quantiques et aux attaques par canaux auxiliaires ; (ii) un nouveau jeu de données médical réaliste, associé à un modèle robuste de détection d’anomalies en temps réel ; et (iii) un cadre d’authentification et de contrôle d’accès adaptatif basé sur le RL. Ces contributions renforcent la confidentialité, l’intégrité, la disponibilité, ainsi que l’authentification et le contrôle d’accès des données médicales, tout en respectant les contraintes des environnements IoMT.