Thèse "détections et explications auto-supervisées d'anomalies dans les données temporelles" f/h

Votre rôle

Votre rôleest d’effectuer un travail de thèse sur: «Détections et explications auto-supervisées d’anomalies dans les données temporelles »

Contexte global et problématique du sujet

Orange opère un grand nombre d’équipements connectés, du cœur de réseau jusqu’au LAN des clients. Le nombre de pannes et d’attaques pouvant survenir est très important, et il est de plus en plus difficile de comprendre ces problèmes, qui ont un coût important pour les services client.

Jusqu’à présent, les travaux de l’état de l’art et au sein d’Orange [1, 2, 3] se sont concentrés sur la détection des anomalies dans des données temporelles, en particulier dans les communications de ces équipements. Cette détection consiste en un résultat binaire- anomalie ou non - et ne porte aucune information sur l’origine de la détection, ou toute autre caractérisation de l’anomalie et/ou de sa cause potentielle.

Les solutions explorées ne permettent pas d’agir sur les anomalies détectées, et un expert est toujours nécessaire pour tenter de trouver des corrélations entre les anomalies et faire des hypothèses sur les origines et procédures correctives.

Plus récemment, les avancées importantes sur les grands modèles de langages (LLM) promettent des perspectives intéressantes sur les problèmes d’interprétabilité. Avec un modèle de caractérisation des anomalies, il serait possible de mettre en relation les anomalies détectées et des problèmes connus.

1. Najari et al., RADON: Robust Autoencoder for Unsupervised Anomaly Detection, SIN 2021

2. Najari et al., Robust Variational Autoencoders and Normalizing Flows for Unsupervised Network Anomaly Detection, AINA 2022

3. Darban et al., Deep Learning for Time Series Anomaly Detection: A Survey, ACM Computing Surveys 2025

Objectif scientifique – résultats et verrous à lever

L’objectif de cette thèse est de proposer des approches deep learning auto-supervisées de détection et de caractérisation d’anomalies dans les données temporelles. Ces caractéristiques devront être exploitées pour permettre une identification de l’anomalie détectée, en exploitant par exemple des bases de connaissance métier. Il s’agit de proposer une solution de détection et d’interprétation d’anomalies de bout-en-bout sans intervention humaine.

Verrous scientifiques :

* Données et anomalies hétérogènes
* Présence incertaine d’anomalies dans les données
* Rapprochement difficile entre caractérisation d’une anomalie et connaissance métier
* Anomalies potentiellement inconnues

Résultats attendus:

* Modèle de détection d’anomalies auto-supervisé robuste qui caractérise les écarts entre la séquence observée et la séquence normale attendue
* Approche basée LLM+RAG pour mettre en relation la caractérisation de l’anomalie détectée avec des connaissances métiers
* Évaluations expérimentales sur données publiques et d’Orange
* Publication d’articles scientifiques, de brevets, et manuscrit de thèse