Abstract:
La sécurité des communications dans les systèmes ferroviaires, en particulier pour le TC-CBTC (Train-Centric Communication-based Train Control), est cruciale en raison de la complexité croissante et des menaces cybernétiques. Ce mémoire propose une approche hybride combinant apprentissage automatique et cryptographie pour garantir l'authentification et l'intégrité des données échangées. En utilisant des réseaux de neurones récurrents pour la détection proactive des anomalies, couplés à une méthode d'isolation forest et une machine à vecteurs de support, notre solution permet une classification précise des comportements anormaux. Les performances ont été évaluées à l'aide de diverses métriques, montrant l'efficacité et la robustesse de notre approche pour sécuriser les communications ferroviaires.
