Post Doc : Application de méthodes d'apprentissage supervisé pour la détection d'activités dans l'authentification comportementale F/H

Description de l'offre

about the role

Votre rôle est d'effectuer un travail de recherche sur l'application de méthodes d'apprentissage supervisé pour la détection d'activités dans le cadre de l'authentification comportementale.

L'enjeu actuel d'un grand nombre d'entreprises est l'amélioration de la relation client. Dans ce contexte, la question de l'authentification des individus est critique. La multiplication des terminaux d'accès (smartphone, tablette, objets connectés…) rend contraignante la saisie régulière de mots de passe. Pour répondre à cette problématique, tout en renforçant la sécurité, un certain nombre d'acteurs introduit des solutions d'authentification comportementales issues de start-up dans leurs suites de gestion d'identité. Citons par exemple le récent partenariat entre Gemalto et Behaviosec, ou celui de Samsung SDS avec BioCatch. Orange Labs a choisi de valoriser sa propre technologie issue de ses activités de recherche.

Les systèmes d'authentification comportementale actuels s'appuient principalement sur le smartphone, devenu le terminal favori d'un grand nombre d'utilisateurs, et disposant d'une grande variété de capteurs (inertiels, sonores, visuels…), couplée à une puissance de calcul toujours plus grande. Dans ce contexte, des travaux académiques récents soulèvent la question de l'adaptation au contexte. La détection d'activité est en particulier identifiée comme un verrou scientifique sous-jacent.

Une stratégie d'authentification comportementale devant être transparente pour l'utilisateur tout en respectant sa vie privée, la détection d'activité a de multiples vertus : elle permet de limiter la quantité de données utilisateur à collecter, ce qui permet de réduire la consommation d'énergie, et elle permet également d'améliorer les modalités d'authentification existantes, dont certaines ne peuvent être utilisées que dans un contexte d'activité particulier (par exemple, lorsque l'utilisateur conduit sa voiture ou qu'il est à son poste de travail dans son entreprise).

Une des modalités d'intérêt dans la problématique de l'authentification comportementale est la reconnaissance de la démarche utilisateur (en anglais gait) [1], de nos jours accessible via l'accéléromètre des smartphones [2]. L'accéléromètre étant témoin de nos activités quotidiennes, la classification d'activité est vue comme une étape de prétraitement nécessaire à la reconnaissance de la démarche. Si les premiers travaux de recherche considéraient les deux problèmes séparément, il est clair que réaliser l'authentification en fonction du contexte est un plus [3]. Ces dernières années, les réseaux de neurones profonds sont plébiscités par la communauté scientifique, avec des résultats prometteurs [4][5].

Se référer à la section 3 « Le plus de l'offre » ci-dessous, pour des informations détaillées sur la mission scientifique et les principales activités associées au post doc.

about you

Vous êtes titulaire d'un doctorat en informatique/machine Learning.

Compétences (scientifiques et techniques) et qualités personnelles souhaitées par le poste : programmation Java, C++, Python.

Traitement du signal, machine learning, deep learning.

Créativité, rigueur, communication.

Capacité à mettre en pratique/prototypage.

additional information

Objectif scientifique - verrous à lever

L'objectif du post-doctorat est de proposer de nouvelles méthodes de détection d'activité répondant au besoin d'optimiser le fonctionnement d'un système d'authentification comportementale.

La plateforme d'authentification comportementale développée au sein des Orange Labs repose sur un certain nombre de modalités extraites des capteurs de smartphones (par exemple l'accéléromètre ou le gyroscope). Un des verrous techniques à lever est la combinaison de la détection d'activité et de l'authentification, par des méthodes d'apprentissage profond. Ceci permettra d'optimiser à la fois la stratégie d'utilisation des données, la consommation d'énergie et les algorithmes d'authentification.

Vous devrez proposer des méthodes d'apprentissage automatique permettant de répondre à ce problème. Les résultats pourront faire l'objet d'une publication. Par ailleurs, les méthodes proposées pourront être intégrées in vivo dans la plateforme d'authentification comportementale.

Approche méthodologique-planning

Il s'agit de proposer une approche méthodologique envisagée, cheminement possible pour atteindre les objectifs de la thèse (par exemple modélisation, simulation, expérimentation …). Le planning permet d'identifier et de quantifier les grandes étapes de la thèse depuis l'état de l'art à la rédaction du manuscrit de thèse.

3 premiers mois : état de l'art, mise en place d'un cadre expérimental

6 mois suivant : conception du prototype, expérimentation

3 derniers mois : publication d'un article, consolidation du livrable.

department

En intégrant le département IDeA (Identity, DNS and Access) vous évoluerez dans un environnement technique pointu, positionné au coeur de la stratégie du groupe, et contribuerez directement à l'innovation qui est l'une des clefs de différentiation et de croissance d'Orange. Au sein de ce département, l'équipe PIA (Projects for Identity Anticipation & Research) est en charge des travaux de recherche et d'anticipation concernant la gestion de l'identité du client Orange.

Qu'est ce qui fait la valeur ajoutée de cette offre ?

Vous aurez accès à une plateforme permettant l'expérimentation in vivo. Vous pourrez profiter des expérimentations à large échelle qui sont envisagées pour l'année 2018, ce qui nous permet d'envisager des publications scientifiques de qualité.

D'autre part, une démarche de transfert des résultats de cette recherche vers l'opérationnel est d'ores et déjà entamée, ce qui permet d'envisager la possibilité d'appliquer rapidement aux métiers d'Orange des résultats pertinents.

Références :

[1] Mantyjarvi, J., Lindholm, M., Vildjiounaite, E., Makela, S. M., & Ailisto, H. A. (2005, March). Identifying users of portable devices from gait pattern with accelerometers. In Acoustics, Speech, and Signal Processing, 2005. Proceedings.(ICASSP'05). IEEE International Conference on (Vol. 2, pp. ii-973). IEEE.

[2] Derawi, M., & Bours, P. (2013). Gait and activity recognition using commercial phones. computers & security, 39, 137-144.

[3] Xu, W., Shen, Y., Zhang, Y., Bergmann, N., & Hu, W. (2017, April). Gait-watch: A context-aware authentication system for smart watch based on gait recognition. In Proceedings of the Second International Conference on Internet-of-Things Design and Implementation (pp. 59-70). ACM.

[4] Gadaleta, M., & Rossi, M. (2018). Idnet: Smartphone-based gait recognition with convolutional neural networks. Pattern Recognition, 74, 25-37.

[5] Yao, S., Hu, S., Zhao, Y., Zhang, A., & Abdelzaher, T. (2017, April). Deepsense: A unified deep learning framework for time-series mobile sensing data processing. In Proceedings of the 26th International Conference on World Wide Web (pp. 351-360). International World Wide Web Conferences Steering Committee.

contract

Post Doc