Exploitation d’Images Interceptées Basée Apprentissage Profond

La tendance récente est de rendre les données numériques disponibles à tout moment et en tout lieu, ce qui crée de nouvelles menaces de confidentialité. Les données sont échangées et consultées à l'aide de systèmse d'information (SI) et de leurs écrans. Un canal auxiliaire correspond à un chemin de données non intentionnel en opposition avec le canal traditionnel. En particulier, les canaux auxiliaires électro-magnétiques (EM) sont dus aux champs émis par les câbles et les connecteurs vidéo lorsque leur tension interne change. Il a été démontré que le contenu d'un écran peut être recontruit à des dizaines de mètres à partir des émanations par canal auxiliaire. Jusqu'à aujourd'hui, les travaux menés de l'état de l'art sur la reconstruction d'images, à partir d'émanations EM, se sont principalement concentrés sur un point de vue traitement du signal.Récemment, le domaine du traitement d'image a été révolutionné par l'apprentissage profond. Ces algorithmes ont dépassé les performances des algorithmes experts de l'état de l'art. Dans ce manuscrit, il est montré que les méthodes par apprentissage profond pour la restauration et l'interprétation d'images peuvent être appliquées aux images reconstruites depuis l'interception d'émanations EM. Le manuscrit étudie la corruption impliquée par l'interception et démontre que cette corruption est complexe. Le manuscrit propose des expériences et des contributions sur l'application des techniques par apprentissage profond à la restauration et à l'automatisation de l'interprétation des images interceptées.The recent trend of processing is to make digital data available anytime anywhere, creating new confidentiality threats. Data is exchanged and consulted using Information Processing Equipments(IPEs) and their according Video Display Units (VDUs). A side-channel corresponds to an unintended data path in opposition to the legacy channel. In particular, Electro Magnetic (EM) side-channels are due to fields emitted by video cables and connectors when their inner voltage changes. It has been shown that the content of screen can be recontructed from tens of meters using side-channel emanations. Until today, the work conducted on state of the art of image reconstruction, from EM emanations, has mainly focused on a signal processing point of view.Recently, the image processing domain have been revolutionnized by Deep Learning (DL). These algorithms have overpassed the performances of state of the art expert algorithms. In this manuscript, it is shown that DL methods for image restoration and interpretation can be applied to images reconstructed from EM emanations. The manuscript studies the corruption implied by the eavesdropping and demonstrates that this corruption is complex. The manuscript proposes experiments and contributions on the application of DL techniques to eavesdropped image restoration and interpretation automation