Description du poste : Les principales activités du projet incluent Poursuivre le développement d'un framework spécifique aux NIDS pour un nombre sélectionné de dimensions de qualité au-delà de la diversité Opérationnaliser un framework spécifique aux NIDS en formalisant les dimensions de diversité validées et en intégrant l'exactitude de l'étiquetage comme dimension intrinsèque de la qualité, aboutissant à des rapports de qualité structurés et reproductibles Instancier et valider le framework sur plusieurs jeux de données NIDS existants (jeux de données publics ainsi que ceux générés dans le cadre du projet SuperviZ), en analysant la manière dont les profils de qualité diffèrent d'un jeu de données à l'autre et comment ces différences se relient aux performances des modèles et aux comportements de généralisation observés. Concevoir des mécanismes de recommandations fondés sur les données, basés sur les résultats du framework, à destination (i) des créateurs de jeux de données, afin de guider des stratégies de génération ou de collecte sensibles à la diversité et orientées par la qualité, et (ii) des évaluateurs de NIDS, afin de permettre des protocoles d'évaluation plus informatifs et plus fiables pour les IDS/NIDS fondés sur le ML. Description du profil : Niveau de formation et/ou expérience requis Doctorat ou PhD depuis moins de 3 ans Compétences, connaissances et expériences indispensables Expérience avec le développement en apprentissage machine/profond · Connaissances en Data-Centric AI · Des notions en cybersécurité et en réseaux sont optionnelles · Anglais parlé et écrit Compétences, connaissances et expériences souhaitables Expérience préalable en apprentissage automatique (ML) et manipulation de netflows Capacités et aptitudes Rigueur · Autonomie · Travail en équipe