Détection d’anomalies pour les données radars du système de contrôle aérien en utilisant la prédiction de données

The radar data transported within the ATM (Air Traffic Management) system enables civil aviation controllers to carry out air traffic control and thus safety of planes and passengers’s safety. However, the recent emergence of attacks on similar systems coupled with the high criticality of this data raises the question of ensuring the radar data security. Although there are physical means implemented to protect against potential attacks, the anomaly prediction mechanisms traditionally used in the world of IP networks do not allow satisfactory results to be obtained because they they do not consider aviation needs. Indeed, the systems used do not make it possible to consider spatio-temporal by taking into account the memory of aircraft tracks. In addition, despite the criticality characterizing radar exchanges, the detection of anomalies relating to these data has been few studied so far.It is therefore in the face of this lack that this thesis took place, with the aim of developing an anomaly detection methodology dedicated to the air traffic control system. The idea is to use the regular behavior of air traffic to identify a pattern in the behavior of the radar data, and then use that normal pattern to identify anomalies.The first part focuses on the implementation of a detection method by profile identification at the level of the radar itself. The study is done statistically on the evolution of radar data over time. The objective is to be able to characterize a behavior that will statistically show trends over time, then set up a detection method based on a data prediction mechanism. This method makes it possible to detect anomalies in the overall behavior of a radar, but does not go down to the level of detail of an aircraft.In order to go deeper into the data, we are basing ourselves on detection through machine learning models. By these models we predict the behavior of the radar data and by means of a detection threshold we identify when the actual behavior differs from the predicted behavior. In the context of civil aviation, few anomalies are known or listed. It is therefore necessary to work on unlabelled datasets, so it is necessary to use an unsupervised learning approach. For this, we use an auto-encoder mechanism, based on Long Short Term Memory (LSTM) which allows us to adapt to the spatio-temporal characteristics of our data and to respond to this unsupervised approach.The method was tested on an operational dataset which allowed us to identify anomalies present on the dataset.In order to be able to compare our method with other detection methods and to be able to meet the specific needs of civil aviation relating to certain attacks that were not present in the data set, we simulated realistic attacks on the radar system by placing himself at the level of an attacker who has infiltrated the system.These simulations have enabled us to ensure the efficiency of our detection mechanism in relation to these attacks, but above all to be able to test our mechanism in operational condition.Les données radars transportées au sein du système ATM (Air Traffic Management) permet aux contrôleurs de l’aviation civile d’effectuer le contrôle aérien et ainsi la sécurité des avions et de leurs passagers. Cependant, l’émergence récente d’attaques sur des systèmes similaires couplée avec la haute criticité de ces données conduit à se poser la question d’assurer la sécurité des données radars. Bien qu’il existe physiquement des moyens mis en œuvre pour se protéger de potentiels attaques, les mécanismes de prédictions d’anomalies traditionnellement utilisés dans le monde des réseaux IP ne permettent pas d’obtenir des résultats satisfaisants car non conçus pour des besoins avioniques. En effet, les systèmes utilisés ne permettent pas de considérer des données spatio-temporelles en prenant en compte la mémoire des traces des avions. De plus, malgré la criticité caractérisant les échanges radars, la détection d’anomalies relatives à ces données a été peu étudiée jusqu’à présent.C’est donc face à ce manque que s’est inscrite cette thèse avec pour but le développement d’une méthodologie de détection d'anomalies dédiée au système du contrôle aérien. L’idée est d’utiliser le comportement régulier du trafic aérien pour identifier un schéma dans le comportement des données radars, puis d’utiliser ensuite ce schéma normal pour identifier des anomalies.La première partie se concentre sur la mise en place d’une méthode de détection par identification de profil au niveau du radar en lui-même. L’étude est faite de manière statistique sur l’évolution de la donnée radar au niveau temporel. L’objectif est de pouvoir caractériser un comportement qui statistiquement va présenter des tendances dans le temps, puis mettre en place une méthode de détection basée sur une mécanisme de prédiction de données. Cette méthode permet de faire de la détection d’anomalies sur le comportement global d’un radar, mais ne permet pas d’aller jusqu’au niveau de détail d’un avion.Afin de rentrer plus en profondeur dans les données nous nous basons sur une détection par le biais des modèles de machine Learning. Par ces modèles nous prévoyons le comportement des données radars et par le biais d’un seuil de détection nous identifions quand le comportement réel diffère du comportement prédit. Dans le cadre de l'aviation civile, peu d'anomalies sont connues ou répertoriées. Il faut donc travailler sur des jeux de données non labellisées, il est donc nécessaire d’utiliser une approche d’apprentissage non supervisée. Pour cela, nous utilisons un mécanisme d’auto-encodeur, basé sur du Long Short Term Memory (LSTM) qui nous permet de nous adapter aux caractéristiques spatio-temporelles de nos données et de répondre à cette approche non supervisée.La méthode a été testé sur un jeu de données opérationnelle qui nous a permis d’identifier des anomalies présente sur le jeu de données.Afin de pouvoir comparer notre méthode avec d’autres méthodes de détection et pour pouvoir répondre aux besoins spécifiques de l'aviation civile relatif à certaines attaques qui n'étaient pas présentes dans le jeu de données, nous avons simulé des attaques réalistes sur le système radar en se plaçant au niveau d'un attaquant qui se serait infiltré sur le système.Ces simulations nous ont permis de nous assurer de l'efficacité de notre mécanisme de détection par rapport à ces attaques, mais surtout de pouvoir tester notre mécanisme en condition opérationnelle