DGA Maîtrise de L'information

DGA
Maîtrise de l’information
à BRUZ près de RENNES (35)
Book de stages
prévisionnels
2021
DGA MAÎTRISE DE L’INFORMATION

136, La Roche Marguerite 35170 BRUZ
dga-mi.stage.fct@intradef.gouv.fr
Sommaire
››Edito p.2
››DGA p.3
››DGA Maîtrise de l’information p.4
››Un environnement dynamique p.5
››Activités extra-professionnelles p.6
››Venez à notre rencontre p.7
››Comment postuler p.8
››Les fiches de stages p.9
››Index par mots clés ... fin
Mention : Ce book est une liste des stages

prévisionnels pour l’année 2021 dans les différents
domaines métiers à DGA Maîtrise de l’information. La
liste définitive des stages validés sera publiée fin 2020
sur https://www.stages.defense.gouv.fr
Edito
«DGA
Maîtrise de
l’information est un Marie-Noëlle Sclafer
centre apprécié de ses clients, Directrice
qui reconnaissent largement la DGA Maîtrise de
l’information
qualité de ses prestations.
Avec notre positionnement

sur des technologies d’avenir,
cette reconnaissance nous
a permis de connaître une
forte croissance ces dernières
années : nous comptons sur
vous pour y contribuer dès les
prochains mois !
» 2
La DGA
Direction Générale de l’Armement
du ministère des Armées
est responsable de la
conception, de l’acquisition et de
l’évaluation des systèmes qui équipent
les forces armées.
DGA Techniques hydrodynamiques

VAL DE REUIL
DGA Ingénierie des projets

DGA Techniques navales
PARIS
BREST
9800
DGA Essais propulseurs
SACLAY
DGA Maîtrise de l’information
RENNES
DGA Maîtrise NRBC
DGA Techniques terrestres VERT LE PETIT
ANGERS
DGA Techniques terrestres

BOURGES
DGA Essais de missiles

SAINT MÉDARD
DGA Essais en vol

CAZAUX

DGA Techniques aéronautiques
TOULOUSE
DGA Essais en vol
3
ISTRES
BISCARROSSE
DGA Techniques navales

Toulon
Toulon + Île du Levant
Retrouvez notre actualité

DGA
Maîtrise de l’information
Nos experts techniques travaillent
dans les domaines innovants tels
que les systèmes d’information et
de communication, la cybersécurité,
l’Intelligence Artificielle,
la survivabilité des systèmes, la
navigation, la guerre électronique
et les systèmes de missiles.
1500

Bruz -
4
Un
environnement
dynamique
›› Exercer un métier technique
passionnant comme vous ne le
trouverez nulle part ailleurs et
développer vos compétences dans
divers domaines.
›› Travailler sur un site de 100 hectares
arboré où l’on peut se déplacer à
vélo électrique et accessible par les
transports en commun.
5
Activités
extra-
professionnelles
6
Venez à notre
rencontre
XXBreizh CTF ▼▼Vivatech

Paris
Rennes
XXEuropean
Cyber Week
Rennes
XXForum écoles
Bourges, Brest, Lyon,
Paris, Rennes,
7
Lannion
Comment
postuler pour
un stage ?
›› Liste définitive des stages :
https://www.stages.defense.gouv.fr
›› Envoyer votre CV en français à
›› Préciser la référence du stage
›› Durée : 2 à 6 mois
›› Niveau : Bac +2 à Bac +5
8
Les fiches de
stages
›› SSI : Cybersécurité, reverse, crypto,
développement, caractérisation de la
menace.
›› ASC : Intelligence Artificielle,
ergonomie, BigData.
›› CGN : développement, traitement
du signal, guerre électronique, radar,
optronique.
›› MAN : Missiles, statistiques,
trajectoires.
›› TEC : Télecom, réseaux, Intelligence
Artificielle.
9
Les stages previsionnels
SSI-2021-DPS-1 Chaine de traitement LID d’é vè nements Windows au sein d’un SOC ______________ 12
SSI-2021-DPS-2 Sé curisation d’architectures Kubernetes ____________________________________________ 13
SSI-2021-EDS1-1 Environnements Android dé connecté s _____________________________________________ 14
SSI-2021-EDS1-2 Optimisation d’applications Android _______________________________________________ 15
SSI-2021-EDS3-1 Inté gration Continue _________________________________________________________________ 16
SSI-2021-ICM-1 Analyse Massive de Firmware ________________________________________________________ 17
SSI-2021-ICM-2 Outils de traduction et de ré sumé automatique _____________________________________ 18
SSI-2021-ICM-3 Outils d’aide à la veille et de collecte (web)__________________________________________ 19
SSI-2021-ICM-4 Extraction de triplet RDF dans des textes non structuré s __________________________ 20
SSI-2021-ICM-5 Corré lation dans un graphe d’information/ connaissance _________________________ 21
SSI-2021-SCY-1 Implé mentation maté rielle d’un gé né rateur d’empreinte numé rique _____________ 22
SSI-2021-VIM-1 Recherche automatisé e de gadgets dans l’embarqué _______________________________ 23
SSI-2021-VSE-1 Analyse applicative et recherche de vulné rabilité ___________________________________ 24
SSI-2021-XCS-1 Ré seau de neurones pour attaques par canaux auxiliaires _________________________ 25
SSI-2021-XEL-1 EÉ tude et dé veloppement d’un analyseur de code ____________________________________ 26
SSI-2021-XIN-1 Evaluation Sonde HIPS _________________________________________________________________ 27
ASC2-2021-EORD-1 Modè les de localisation SAR ______________________________________________________ 28
ASC2-2021-IA2P-1 Etudes des vulné rabilité s à base d’IA _____________________________________________ 29
ASC2-2021-IA2P-2 Auto-apprentissage pour le signal acoustique ___________________________________ 30
ASC2-2021-IA2P-3 Production d’images ré alistes _____________________________________________________ 31
ASC2-2021-IA2P-5 IA Deep Receiver ___________________________________________________________________ 32
ASC2-2021-IA2P-6 Ré seaux gé né ratifs adverses _______________________________________________________ 33
ASC2-2021-IA2P-7 Apprentisage de ré seaux de neurones ____________________________________________ 34
ASC2-2021-IA2P-8 Dé coupage automatique de vidé os ________________________________________________ 35
ASC2-2021-IA3D-1 Apprentissage ré parti sur machine distribué e __________________________________ 36
ASC2-2021-IA3D-2 Priorisation et orchestration des communications ______________________________ 37

10
Les stages previsionnels
ASC2-2021-IA3D-3 Dé tection d’intrusions par é missions de signaux compromettants ____________ 38

CGN1-2021-ERS-1 Donné es GHOM pour Simulation numé rique Radar _____________________________ 39
CGN1-2021-GAC-1 Dé veloppement d’outil d’é change de donné es ___________________________________ 40
CGN1-2021-GAC-2 Amé lioration d’un outil d’analyse _________________________________________________ 41
CGN1-2021-GNS-1 Gé né rateur de signaux té lé com SDR synchrone __________________________________ 42
CGN1-2021-GNS-2 Outil de dé pouillement et de capitalisation d’essais _____________________________ 43
CGN1-2021-GNS-3 Simulation GE navale _______________________________________________________________ 44
CGN1-2021-GNS-4 Automatisation cré ation scè nes é lectromagné tiques ____________________________ 45
CGN1-2021-RSE-1 Dé veloppement micro-logiciel d’un systè me _____________________________________ 46
CGN1-2021-RSE-2 Traitement du signal, mesure de furtivité radar __________________________________ 47
CGN1-2021-RSE-3 Chambre ané choı̈que de mesures de furtivité radar _____________________________ 48
CGN2-2021-SDO-1 Exploitation de mesures de fonds de ciel nuageux _______________________________ 49
CGN2-2021-SDO-2 Etude variabilité des performances d’un imageur optronique ré flectif ________ 50
CGN2-2021-SYSNAV-1 Etude des techniques d’astronavigation aé ronautique ______________________ 51
CGN2-2021-RNAV-1 Etude de l’impact d’interfé rents sur des ré cepteurs GNSS _____________________ 52
CGN2-2021-TIS-1 Visé e stellaire ________________________________________________________________________ 53
CGN2-2021-TIS-2 Migration et Dé veloppement d’une application python __________________________ 54
CGN2-2021-TIS-3 Dé veloppement d’un logiciel d’acquisition ________________________________________ 55
MAN-2021-CGP-1 Optimisation de trajectoires de drones de combat________________________________ 56
MAN-2021-CGP-2 Dé veloppement d’un parachute autonome ________________________________________ 57
MAN-2021-CVO-1 Dé monstrateur HUMS _______________________________________________________________ 58
TEC-2021-SPC-1 Modé lisation de la propagation ______________________________________________________ 59
TEC-2021-STR-1 Synchronisation fré quentielle pour DSSS ___________________________________________ 60
TEC-2021-STR-2 Dé veloppement d’un systè me de sondage de canal ________________________________ 61
Index _______________________________________________________________________________________________________ 63

11
SSI-2021-DPS-1
Chaine de traitement LID d’évènements
Windows au sein d’un SOC
Niveau requis Durée Mots-clés

Bac + 5 5 à 6 mois DevOps SIEM BigData
Description du stage
L’Incubateur SOC DGA teste et met en œuvre différents types de techniques de détections dans le cadre de la LID
(Lutte Informatique Défensive). Ces techniques sont mises en œuvre, testées et éprouvées sur des SI
opérationnels, supervisés par l’Incubateur SOC DGA.
Ce stage vise à mettre en œuvre un prototype de chaine de traitement LID d’évènements Windows de bout en
bout. Cette chaine est composée :
• d’un module de collecte centralisée côté SAS (Système A Superviser) notamment au travers d’un WEC
(Windows Events Collector) ;
• d’un module de normalisation et indexation des données collectées, avec une convergence vers un
modèle de données de référence ;
• et enfin, d’un module de processing de détection et d’alerte.
L’ensemble des briques de cette chaine LID s’appuiera exclusivement sur des suites Open Source, rattachées pour
la plupart au domaine du Big Data (ElasticSearch, KAFKA, KSQL, Apache Spark). Le stage intégrera également une
chaîne de validation d’ensemble au travers de tests d’attaque automatisés, via Atomic Red Team, qui visera à
qualifier le niveau de détection final. Directement intégré à l’équipe de l’Incubateur SOC DGA, le candidat devra
se montrer motivé et force de proposition sur les solutions envisagées.
Compétences indispensables Compétences souhaitées

Compétences techniques : • SIEM, composantes d’un SOC,
• Intégration de solutions, langages de script ; • Intégration système de différentes briques
• Capacité à intégrer une vue d’ensemble d’un SI logicielles,
complexe. • 1ère expérience (notamment au travers de
Qualités personnelles: projets étudiants) sur certaines briques Big Data.
• Autonomie, Motivation, Travail en équipe.
Les “+” du stage
Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration
Ce stage offre l’occasion d’intégrer le domaine porteur de la cybersécurité.

12
SSI-2021-DPS-2
Sécurisation d’architectures Kubernetes

Bac + 5 5 à 6 mois Container Kubernetes Sécurisation
Les architectures de systèmes d’information reposant sur des micro-services sont de plus en plus fréquentes. Elles
s’appuient sur des mécanismes de containeurs. Les mécanismes permettant de sécuriser de façon efficace ces
architectures ont été encore peu étudiés.
Le but de ce stage consiste à :
• Tout d’abord faire un état de l’art des mécanismes de sécurisation proposés par Kubernetes ;
• Puis mettre en œuvre ces mécanismes sur un SI de laboratoire afin d’éprouver leur efficacité, plus
particulièrement en adressant :
o La sécurisation au niveau conteneur (notamment durcissement) ;
o Le filtrage réseau entre conteneurs ;
o L’audit automatisé de la sécurité de conteneurs.
La problématique de la sécurisation des architectures à base de micro-services pourra être complétée par la mise
en place de solutions de détection d’activités malveillantes sur ce type d’architecture, suivant l’avancée du stage.

Connaissances métier: • Capacité à intégrer une vue d’ensemble d’un SI
• Sécurisation d’un système d’information • 1ère expérience (notamment au travers de
Compétences techniques : projets étudiants) sur des architectures à base
• Administration système Linux et durcissement. de micro-services
Qualités personnelles: • Connaissances en détection.
• Autonomie, Motivation.

13
SSI-2021-EDS1-1
Environnements Android déconnectés

Bac + 5 5 à 6 mois Android Python
Dans le cadre de son activité de développement, le laboratoire MO est amené à utiliser des plateformes n’étant
pas connectées à l’Internet. On parle alors de d’environnements « déconnectés ». Les outils intervenant dans le
développement Android, tels qu’Android Studio, le SDK Android ou encore Gradle, sont conçus pour être utilisés
sur des plateformes connectées à l’Internet, et leur usage sur des plateformes déconnectées n’est donc pas trivial.
L’objectif de ce stage consiste à mettre en place des environnements de développement et de compilation
Android, sur des plateformes déconnectées, en veillant à automatiser autant que possible ce processus et à le
rendre configurable, suivant les besoins des utilisateurs finaux. Les travaux comportent deux aspects. D’une part,
le téléchargement de l’ensemble des composants logiciels requis, qui s’effectuera sur une plateforme connectée.
D’autre part, la construction des environnements de développement et de compilation, sur une plateforme
déconnectée, à partir de ces seules dépendances.
Le candidat travaillera sous la tutelle d'un de nos experts. Il devra se montrer motivé, curieux et force de
proposition sur les solutions envisagées. Il devra présenter une bonne maîtrise d'un langage de script, de
préférence Python, ou éventuellement Bash. Une expérience préalable avec Docker (solution de conteneurisation)
serait également appréciée, bien que ne constituant pas un prérequis. Le personnel du laboratoire accompagnera
le candidat durant son stage afin de lui dispenser une expérience en développement Android, qui ne se limitera à
l’aspect usuel constitué par le code source, mais portera aussi sur les outils intervenant dans la chaîne de
compilation des applications Android.

• Python, Android • Docker, Bash, Gradle.
• Motivation, curiosité, rigueur.

Le stagiaire intégrera une équipe dynamique et très soudée d’une dizaine de développeurs Android, elle-même
rattachée à d’autres équipes de développement. Outre l’expérience humaine, ce stage peut constituer une
opportunité pour approfondir une connaissance concernant le système et les applications Android, ainsi que
d’acquérir une bonne vision de la chaîne de compilation des applications Android.

14
SSI-2021-EDS1-2
Optimisation d’applications Android

Bac + 5 5 à 6 mois Android Python Java Kotlin
Le laboratoire MO du département EDS (Expertise en Développement Sécurisé) réalise des logiciels de
Cyberdéfense au profit des forces armées. Il est missionné pour fournir des outils de défense cybernétique ainsi
que des moyens de contre-réaction dans la thématique MObile (MO). Dans le cadre de son activité de
développement, le laboratoire MO est amené à développer des applications Android reposant sur des
bibliothèques parfois volumineuses. Dans un souci de faciliter leur déploiement, réduire la taille de ces
applications constitue un enjeu important.
Dans le cadre de ce stage, les travaux demandés consistent à appréhender des outils d’optimisation existants, tels
que Proguard et R8, et à comprendre les processus d’optimisation qu’ils mettent en œuvre, afin de pouvoir les
configurer et les utiliser au mieux de leurs possibilités. Il pourra aussi être question de proposer des bonnes
pratiques de développement visant à tirer parti au mieux de ces outils. Les résultats produits seront vérifiés en
analysant les applications Android produites, et leur bytecode en particulier, au moyen d’outils tels que Jadx.
Le candidat travaillera sous la tutelle d'un de nos experts. Il devra se montrer motivé, curieux et force de
proposition sur les solutions envisagées. Il devra présenter une bonne maîtrise d'un langage JVM, tel que Java ou
Kotlin. La connaissance du bytecode JVM ou DEX serait également appréciée, bien que ne constituant pas un
prérequis. Le personnel du laboratoire accompagnera le candidat durant son stage afin de lui dispenser une
expérience en développement et analyse d'applications Android.

• Java, Kotlin, Android • Bytecode JVM ou DEX.
• Motivation, curiosité, rigueur.

Le stagiaire intégrera une équipe dynamique et très soudée d’une dizaine de développeurs Android, elle-même
rattachée à d’autres équipes de développement.
Outre l’expérience humaine, ce stage peut constituer une opportunité pour approfondir une connaissance
concernant le système et les applications Android, ainsi que de s’initier à l’analyse d’applications Android.

15
SSI-2021-EDS3-1
Intégration Continue

Bac + 5 5 à 6 mois Développement Intégration
Les ingénieurs des départements EDS sont spécialisés dans le développement de logiciels de Cyberdéfense au
profit des forces armées. Afin d’assurer la conformité et la qualité de ses produits, EDS utilise des processus de
production virtualisés et automatisés s’appuyant sur des outils externes mais aussi sur ses propres outils.
Dans ce cadre, l’équipe d’intégration logiciel cherche en permanence à optimiser ses processus et simplifier
l’utilisation de ses outils.
Le stagiaire rejoindra l’équipe d’intégration et travaillera sous la tutelle d’un de nos experts. Il participera au
développement d’un outil de tests d’intégration automatisés. Il sera notamment en charge de la réalisation d’un
‘plugin’ permettant l’utilisation de l’outil à partir d’un IDE.
Durant ce stage, le stagiaire sera amené à :
- Mettre en place des environnements virtuels divers,
- Participer à la génération de scénarios de tests.
Proposer puis réaliser des correctifs ou extensions de l’outil de test.

• Développement logiciel et bonne capacité de prise • Langage : Python, TypeScript
en main de nouveaux langages • Environnement virtualisé.
• Connaissances en réseaux informatiques
• Connaissances en architecture logiciel et IHM
• Motivation, curiosité, rigueur, force de proposition
Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration.
Le stagiaire pourra acquérir des compétences sur les environnements virtualisés et les processus d’intégration, et
pourra approfondir ses connaissances en développement logiciel.

16
SSI-2021-ICM-1
Analyse Massive de Firmware

Bac + 5 5 à 6 mois Firmware Analyse
Constitution d'un référentiel de données extraites de firmwares : à partir de sources ouvertes ou interne recensant
des firmwares d’équipements variés (ICS, Caméra, téléphones, équipements réseau, etc…), le stagiaire définira
avec les experts les informations d’intérêts à extraire et proposera un modèle de données compatible avec ceux
utilisés au sein d’ICM et permettant l’agrégation et le stockage des informations contenus dans ces firmwares.
Il développera ou mettra en œuvre des outils d’analyse et de collecte permettant d’extraire les informations
d’intérêt, leur stockage et assurera le développement ou la mise en œuvre d’outils et interfaces utilisateurs
permettant l’exploitation de ces données.

• Motivation • Langage C
• Esprit de recherche • Autonomie
• Langage de script / programmation • Big Data
• Modélisation. • Datamining.
Ce stage offre l’occasion d’intégrer les domaines porteurs de la cybersécurité et du Big Data.

17
SSI-2021-ICM-2
Outils de traduction et
de résumé automatique

Bac + 5 5 à 6 mois Langage Traduction
Le stagiaire réalisera un état de l’art des moteurs de traduction open source.
Le stagiaire réalisera un état de l’art des outils open source permettant de créer un résumé de documents.
A partir de ces résultats, le stagiaire proposera une méthodologie permettant d’entrainer des modèles réalisant
ces opérations (pour la traduction, les langues anglais, russe, chinois arabe et français seront à considérer) et il
développera ou mettra en œuvre des outils réalisant ces opérations.

• Motivation • Langage C
• Langage de script / programmation • Linguistique
• Modélisation • Deep Learning.
• Statistiques.

18
SSI-2021-ICM-3
Outils d’aide à la veille et de collecte (web)

Bac + 5 5 à 6 mois Collecte Veille Web
Le stagiaire recueillera auprès des analystes ICM et d’autres département les besoins en terme de fonctionnalités
permettant d’accompagner et de faciliter le travail de veille et de collecte des experts et analystes. Il développera
ensuite le prototype de l’outil (ou des outils) implémentant ces fonctionnalités.
Notamment dans son travail de veille l’analyste est amené à parcourir l’Internet à la recherche d’informations sur
différentes thématiques. L’outil devra permettre de tracer la navigation, à la demande de télécharger tout ou
partie d’un site, des termes pourront être mis en évidence dans les pages / documents à partir d’ontologies. L’outil
devra permettre à l’analyste d’ajouter des informations, de taguer et commenter certaines parties des
documents/pages visités, de mettre à jour et importer les ontologies, d’indexer les documents, de mettre en
évidence automatiquement ou manuellement les relations entre les documents/sites, etc.
L’outil devra gérer son espace de stockage et permettre la reprise d’une session de navigation si celle-ci est
interrompue.
Les données ainsi générées feront l’objet d’un export dans un format à définir (minima json).

• Motivation • Langage Python, C, HTML, Java
• Esprit de recherche • Gestion des connaissances
• Langage de script / programmation • Autonomie.
• Modélisation.

19
SSI-2021-ICM-4
Extraction de triplet RDF
dans des textes non structurés

Bac + 5 5 à 6 mois Text mining Linked Data Knowledge Extraction
Dans le cadre d'analyses de sécurité, le laboratoire « intelligence Cyber » du département ICM (Ingénierie et
Connaissance de la Menace) effectue de la recherche d’information dans des données « source ouverte ». Afin
d'améliorer la pertinence de cette activité, ce stage propose de participer au développement d'une solution de
d’extraction et de gestion de connaissance. Ce sujet du stage cible l’extraction de triplet RDF dans des données
textuelles non structurées. Ils existent de nombreux travaux universitaires sur ce sujet, les travaux demandés
consistent à :
- Analyse bibliographique des solutions existantes.
- Choix d’une solution et montage d’une plateforme
- Evaluation et proposition évolution.
Directement intégré aux équipes d’analyse et de capitalisation des données cyber, le candidat devra se montrer
motivé et force de proposition sur les solutions envisagées.

• Motivation • Python
• Langage de script • Montage de plateforme.
• Traitement du langage.

20
SSI-2021-ICM-5
Corrélation dans un graphe
d’information/ connaissance

Bac + 5 5 à 6 mois Ontology Knowledge Graph
Dans le cadre d'analyses de sécurité, le laboratoire « intelligence Cyber » du département ICM (Ingénierie et
Connaissance de la Menace) effectue de la recherche d’information dans des données « source ouverte ». Afin
d'améliorer la pertinence de cette activité, ce stage propose de participer au développement d'une solution de
d’extraction et de gestion de connaissance.
Ce sujet du stage cible les possibilités de corrélation à l’intérieur d’un graphe d’information/connaissance aligné
sur une ontologie. Le graphe comporte une partie labellisée connaissance (considéré comme des patrons à
reconnaitre) et une partie dynamique d’informations à reconnaitre.
Les travaux demandés consistent à :
- Analyse bibliographique des solutions existantes.
- Choix solution et montage d’une plateforme
- Evaluation et proposition évolution.
Directement intégré aux équipes d’analyse et de capitalisation des données cyber, le candidat devra se montrer
motivé et force de proposition sur les solutions envisagées. Désireux d'apprendre et aimant le travail en équipe,
le candidat pourra être proposé à une thèse cyber sécurité.

• Motivation • Python
• Langage de script • Montage de plateforme.
• Ontologie.

Ce stage peut déboucher sur un thèse cybersécurité.

21
SSI-2021-SCY-1
Implémentation matérielle d’un générateur
d’empreinte numérique

Bac + 5 5 à 6 mois VHDL Verilog FPGA PUF Cryptographie
Les récentes études ont démontré qu’un composant peut-être identifié grâce à une empreinte numérique unique
générée avec des fonctions spéciales appelées PUF (Physical Unclonable Function). L’étude proposée dans le cadre
de ce stage permettra d’évaluer l’adéquation d’une architecture existante de la fonction PUF avec la structure d’un
composant programmable FPGA. L’implémentation matérielle de la fonction PUF et de son contrôleur sur un
composant FPGA permettra d’évaluer également ses performances et ses caractéristiques en terme d’unicité, de
fiabilité et d’entropie.
Le stage comporte trois étapes, une analyse succincte de l’état de l’art permettra tout d’abord d’appréhender les
fonctions PUF et de comprendre l’architecture identifiée pour l’étude. Ensuite, le stagiaire développera un bloc
VHDL dédié qu’il intègrera sur une plateforme ZedBoard contenant un FPGA Xilinx Zynq. Le troisième volet du
stage consistera à analyser les empreintes numériques générées par la fonction PUF et à évaluer ses performances
et ses caractéristiques.
Le stage se déroulera au sein du laboratoire CM (cryptographie matérielle) qui étudie et définit des solutions
d’implémentation matérielle pour les algorithmes cryptographiques et les mécanismes de sécurité. Le laboratoire
CM est rattaché au département SCY (Services Cryptographiques).

• Langage VHDL • Notions en cryptographie
• Connaissances en FPGA • Informatique industrielle
Le stagiaire mettra en pratique les connaissances acquises lors de sa formation et il apprendra des nouvelles
méthodes d’implémentation sur les composants FPGA.
Le stage se déroulera au sein d’un département multidisciplinaire qui offrira au stagiaire l’opportunité de vivre des
expériences variées et enrichissantes tant sur le plan personnel que technique.

22
SSI-2021-VIM-1
Recherche automatisée de gadgets
dans l’embarqué

Bac + 5 5 à 6 mois ROPCHAIN Embarqué Reverse
Le département VIM (vulnérabilités dans l’informatique embarquée) recherche et démontre des failles de sécurité
lors d’audits d’équipements utilisés par le ministère et les forces armées.
Ce stage se propose de fournir un outil d’aide au développement de ROPchains (ou variantes spécifiques à
l’architecture) dans des architectures type ARM, MIPS, SPARC, etc.
Dans un premier temps, le stagiaire devra se familiariser avec les outils à l’état de l’art (outils de recherche
syntaxique et symbolique), et faire un benchmark des différentes méthodes dans le contexte spécifique
d’architectures qu’on retrouve dans l’embarqué.
Il devra ensuite développer un « méta-outil », permettant d’agréger les sorties des outils en synthétisant les
résultats dans une syntaxe à développer permettant facilement à l’analyste de trouver ou rechercher des gadgets
pertinents.
On étendra ensuite l’outil en intégrant des recherches effectuées à la DGA (outil de recherche de gadget par la
« teinte » de registre par exemple), ou des outils symboliques (type Z3), afin de fournir à l’analyste des plus courts
chemins de gadgets permettant de réaliser des opérations simples (stack pivot, etc.).
Le stage pourra éventuellement déboucher sur une proposition de poste en CDI.

• Bonnes notions d’assembleur • Développement logiciel
• Langage de script type python • Notions techniques d’exploitation
Ce stage permettra au stagiaire de se familiariser avec des techniques d’exploitation modernes, d’effectuer du
développement, ainsi que de se plonger dans un domaine de recherche actif sur l’automatisation de ropchain.

23
SSI-2021-VSE-1
Analyse applicative et
recherche de vulnérabilité

Bac + 5 5 à 6 mois Android CVE Reverse
Le laboratoire REALM du département VSE (Vulnérabilités des Systèmes d'Exploitation) est référent sur le système
Android. Il doit être capable d'évaluer le niveau de sécurité d'un périphérique, tout constructeur confondu.
Ce stage propose :
• de faire l'analyse de la surface d'attaque au niveau applicatif sur plusieurs surcouches constructeurs
• de développer des outils d'analyse d'APK
• de développer des outils d'analyse d'une surcouche constructeur dans son ensemble.
Directement intégré aux équipes de rétro ingénierie et de recherche de vulnérabilité, le candidat devra se montrer
motivé et force de proposition sur les solutions envisagées. Désireux d'apprendre et aimant le travail en équipe,
le candidat pourra être proposé à un poste d'ingénieur en CDI à l'issue du stage, d'une durée qui lui conviendra.

• Motivation • Développement C
• Curiosité • Python
• Esprit de recherche
Si tu as une forte volonté d'apprendre et de te perfectionner sur les aspects techniques liés à la rétro-ingénierie,
l'audit sécurité de code source et la recherche de vulnérabilités, ce stage t’offrira la possibilité de faire tes
premières armes avec une équipe d’experts reconnus dans le domaine de la cyber sécurité. Il s’agit d’un stage de
pré-embauche.

24
SSI-2021-XCS-1
Réseau de neurones pour attaques
par canaux auxiliaires

Bac + 5 6 mois Deep Learning Side channel attack Embarqué
L'objectif de ce stage est d'embarquer sur un raspberry Pi, et/ou une petite carte spécialisée, un réseau de
neurones ayant pour rôle d'effectuer une attaque par canaux auxiliaires.
Dans le cadre d'un PFE, nous mettons en place une attaque par canaux auxiliaires permettant de déchiffrer une
conversation (par les airs) entre deux cartes. Au-delà de l'aspect démonstration, ce PFE est un parfait cas d’usage
pour l’étude de deux problématiques récurrentes :
- la robustesse d'une attaque avec apprentissage vis-à-vis des variations de l’environnement,
- l’embarquabilité des réseaux de type Deep Learning dans des systèmes contraints.
En effet, cette démonstration ayant vocation à être mobile, les conditions de mesure in situ varieront entre la
mise au point de la démonstration et sa mise en œuvre en public. Ces problématiques se retrouvent aussi lors
d'attaques plus classiques dès lors que l'on ne maîtrise pas totalement les conditions de mesure. De plus, la
mobilité de la démonstration empêche l’utilisation d’un puissant calculateur pour mener à bien l’attaque. Le stage
a donc pour but :
1. d'étudier la robustesse des réseaux de types Deep Learning pour les attaques par canaux auxiliaires (positions
de sondes);
2. de définir des architectures légères de réseaux robustes qui seraient de bon candidat à l'embarquement;
3. de mettre en œuvre de tels réseaux sur les cibles proposées (raspberry Pi).
Les points 1 et 2 seront des travaux joints entre les deux départements impliqués et avec une implication
particulière de l'apprentie. Le dernier point sera traité essentiellement sous l'encadrement du département IA.

• Intelligence Artificielle (Deep learning, …) • Compétences en side channel attack
• Tensenflow 2.x, Python, C/C++ • Maîtrise d’une chaine de cross compilation
• Maîtrise OS embarqué (linux)


25
SSI-2021-XEL-1
Étude et développement
d’un analyseur de code

Bac + 5 5 à 6 mois Analyse de code Analyse statique
Le département XEL (eXpertise en Evaluation de Logiciels sécurisés) participe à l’évaluation de la sécurité et de la
fiabilité des logiciels du Ministère des Armées. Les langages de programmation actuels pose de nombreux défis
en termes de vérification. Ce stage propose de contribuer à l’amélioration des méthodes d’évaluation des logiciels
de sécurité. Les travaux consisteront à :
• réaliser un état de l’art des outils d’analyse statique/dynamique/hybride ;
• expérimenter des outils existants sur des projets open source et identifier les limitations ;
• développer un prototype d’analyseur de code (éventuellement sur la base d’un outil existant).
Directement intégré aux équipes d’évaluation, le candidat devra se montrer motivé et force de proposition sur les
solutions envisagées.

• Motivation, Esprit de recherche • Autonomie
• Maîtrise du langage C, familier de C++ • Connaissances sécurité informatique
• Connaissances sur la compilation ou l’analyse • Connaissances : analyse dynamique,
statique fuzzing, méthodes formelles

Les travaux menés feront l’objet d’un rapport de stage qui devra être contrôlé par l’administration.
Dans un cadre de travail agréable et détendu, ce stage se réalisera entouré des équipes d’XEL aux compétences
variées allant de la cryptographie au système d’exploitation en passant par les subtilités sémantiques des langages
de programmation.
Ce stage enrichissant permet également d’intégrer le domaine porteur de la cybersécurité riche en opportunités
de recrutement au sein de la DGA.

26
SSI-2021-XIN-1
Evaluation Sonde HIPS

Bac + 5 5 à 6 mois Sonde Scénario MITRE automatisation Python C# C
PowerShell
Dans le cadre de la connaissance de la menace, le département XIN est amené à valider des sondes de type
HIDS/HIPS. Le but du stage est de contribuer à l’automatisation de scénario d’attaque afin de valider le bon
fonctionnement et l’efficacité en termes de LID d’une sonde HIPS.
Le stage proposé se découpe en deux parties :
- Monter en compétence afin de comprendre les concepts et mécanismes d’une sonde HIPS,
- Prise de connaissance des scénarios déjà répertorié dans notre base,
- Développement de nouveaux scénarios d’attaques,
- Sélection et réalisation manuel de scénario prometteur dans un environnement virtuel,
- Automatisation des scénarios sélectionnés.
Le candidat travaillera sous la tutelle d’un de nos experts. Il devra se montrer motivé, curieux, critique et force de
proposition sur les solutions envisagées.

• Virtualisation : Vmware ou autre • Test d’intrusion : utilisation de metasploit
• Langage de développement : C ou C# • Investigation numérique : outils forensic,
• Langage de script : Python, PowerShell analyse de log
• Système d’exploitation : Windows • Développement système (API Windows, Driver,
• Motivation, Curiosité, Esprit de recherche, autonomie etc.)
• Connaissances matrice MITRE ATT&CK.

Si tu as une forte volonté d'apprendre et de te perfectionner sur les aspects techniques liés à la LID, ce stage te
permettra de te familiariser sur une sonde HIDS, d’améliorer tes connaissances sur les techniques pentest (LID), et
sur l’automatisation de scénario.

27
ASC2-2021-EORD-1
Modèles de localisation SAR

Bac + 5 4 à 5 mois Localisation physique SAR
Le département EORD (Espace Observation Renseignement Drone) a une mission d’expertise sur la maîtrise de
localisation de données images (satellites, aériens...) en entrée et sortie de systèmes d’exploitation d’images.
Dans ce cadre, les performances de localisation selon les traitements de recalage d’images doivent être
caractérisées précisément. Ce stage doit apporter des éléments en réponse à cet objectif. Il se divise en deux
parties :
• Etude du modèle de localisation physique d’une image SAR
• Etude d’un processus de caractérisation d’un modèle d’erreur associé à l’imagerie radar ;
• L’implantation d’une maquette fruit de ces deux études.
Les travaux consistent à :
• Identifier les différents paramètres de localisation physique d’une image SAR ;
• Modéliser la localisation physique SAR à partir des paramètres précédents ;
• Identifier les différentes contributeurs d’erreur d’une image SAR et caractériser leurs statistiques ;
• Modéliser le modèle de propagation d’erreur à partir des contributeurs précédents ;
• Développer une maquette et valider ces modèles sur quelques exemples fournis.
Le stagiaire devra fournir pour chaque phase des travaux un document de synthèse décrivant et/ou justifiant les
travaux réalisés.

• Modélisation Mathématique, • Statistiques,
• Optimisation Linéaire et non linéaire, • Synthèse d’images radar (SAR),
• Analyse et Simulation Numérique, • Géo-référencement des images
• Langages de programmation : C++ ou JAVA • Mécanique.
(Expérience valorisée par un projet d’études).


28
ASC2-2021-IA2P-1
Etudes des vulnérabilités à base d’IA

Bac + 5 6 mois Intelligence Artificielle Deep Learning Traitement
d’images
Etudes des vulnérabilités sur des algorithmes de détection d’objets à base d’IA :
Le stage consistera à une analyse des risques liés à un ou plusieurs types de vulnérabilités sur des modèles d'IA.
Ces modèles sont basés sur du deep learning par exemple pour des tâches de détection automatique d’objets
dans des images. Les vulnérabilités potentiellement considérées seront :
- L’attaque par leurrage (au travers de la mise en place d’exemples adversaires par exemple),
- La mise en place de portes dérobées (ou backdoor, par exemple au travers d’empoisonnement de
données) et la détection de ces portes dérobées,
- L’extraction de modèle boite blanche à partir de modèle boite noire,
- La reconstruction de données d’entrainement à partir d’un modèle boite noire.
Les outils pressentis pour ce stage sont Keras/Tensorflow ou Pytorch

• Compétences en Deep Learning • Compétences en traitement d’images
• Programmation Python • Keras/TensorFlow ou PyTorch


29
ASC2-2021-IA2P-2
Auto-apprentissage pour
le signal acoustique

Bac + 5 6 mois IA Deep Learning Unsupervised Representation
Learning Submarine Acoustic
L’apprentissage auto-supervisé (Self-Training en anglais) est un des sujets les plus porteurs du Deep Learning ces
deux dernières années.
Cette technique consiste à pré-apprendre sans annotation des représentations riches des données et ce grâce à
des tâches auxiliaires (typiquement prédire le futur ou reconstruire des données cachées). Ces représentations
riches sont ensuite utilisées par d’autres tâches qui profitent directement de la « connaissance » acquise.
La tendance a été initiée dans le domaine du Natural Language Processing avec les systèmes BERT ou GPT mais
essaime maintenant dans tous les domaines.
Nous nous intéresserons dans ce stage à l’application de techniques récentes d’apprentissage auto-supervisé
(telles que le Contrastive Predictive Coding) à des données d’acoustique sous-marine.
Le but du stage sera de comparer une approche « tout supervisé » et une approche « auto-supervisé puis
supervisé » sur une tâche de détection-classification de cétacés.
Le corpus utilisé pourra être le corpus public du NOAA “Cetacean and Seabird Data Collected During the Hawaiian
Islands Cetacean and Ecosystem Assessment Survey (HICEAS), July–December 2017”.

• Deep Learning • Traitement du signal audio
• Programmation (dont Python) • TensorFlow ou PyTorch


30
ASC2-2021-IA2P-3
Production d’images réalistes

Bac + 5 6 mois Intelligence Artificielle Deep Learning Traitement
d’images
Production d’images réalistes à partir de données synthétiques par adaptation de domaine :
Les images radar (SAR) ont l’avantage de pouvoir être obtenues le jour et la nuit ainsi que dans des conditions
météo variées. Toutefois, l’acquisition de telles données étant complexe, ces images sont généralement peu
nombreuses et peu variées. Des outils de simulations permettent toutefois de recréer à moindre coût des images
semblables aux images radar réelles grâce aux connaissances physiques du phénomène. La DGA MI possède un
certain nombre de moyens de production d’images synthétiques, notamment pour les images radar (SAR). La
différence entre images réelles et simulées reste donc importante et rend la mise en place d’algorithmes
d’identification automatique d’objet réels à partir de leur représentation simulée difficile.
Ce stage se basera sur des bases de données d’images radar réelles et simulées et visera notamment à explorer
certaines pistes permettant d’améliorer les performances de reconnaissance automatique (basée sur des
algorithmes de deep learning de CNN) parmi lesquelles :
• Analyse et optimisation des données d’entrées et du pre-processing,
• Amélioration du réalisme des images simulées à l’aide d’algorithmes d’adaptation de domaine (CycleGAN
ou autres),
• Amélioration des performances de reconnaissance des objets via l’utilisation d’un espace latent adapté.
Les outils pressentis pour ce stage sont Keras/Tensorflow ou Pytorch.

• Compétences en Deep Learning, Réseaux de neurone • Compétences en traitement d’images
• Programmation Python • Keras/TensorFlow ou PyTorch


31
ASC2-2021-IA2P-5
IA Deep Receiver

Bac + 5 6 mois Intelligence Artificielle Deep Learning Telecom
Le département IA2P (Intelligence Artificielle et Apprentissage Profond) a une mission d’expertise sur les
algorithmes d’intelligence artificielle consistant à détecter au plus tôt l’innovation. Cette dernière est très
soutenue récemment dans le domaine des télécommunications. L’objectif du stage est d’étudier si et comment
les techniques de « deep learning » peuvent apprendre à reproduire des mécanismes de chaînes de transmission
sans fil et plus particulièrement celui des décodeurs LDPC.
En effet, une partie de ces travaux seront de plus appliqués au domaine SSI des attaques physiques par collisions
pour lesquelles il a été montré que la résolution de l’attaque était équivalente à un décodage de code LDPC
ayant pour alphabet GF (2^8).
Les travaux s’appuieront sur des données expérimentales simulées correspondant à des mesures obtenues dans
des chaînes de transmissions classiques. Les étapes du stage sont :
- Phase 1 : Prise en main du code déjà disponible pour améliorer le simulateur et effectuer la tâche de
décodage par IA. Compréhension de la problématique. Etat de l’art des solutions récemment apportées.
- Phase 2 : Développement d’une solution adaptée. A la suite de la phase 1, le stagiaire implémentera une
solution et validera son bon fonctionnement.
- Phase 3 : Mise en œuvre pour une application SSI avec la réalisation d’une démonstration si le temps le
permet.

• Compétences python • Compétences en IA (réseaux de neurones)
• Compétences en télécommunications (codage canal) • Compétences en traitement du signal
• Connaissance en anglais : lecture d’articles
techniques

Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration, ainsi que de
présentations régulières au sein de la DGA.

32
ASC2-2021-IA2P-6
Réseaux génératifs adverses

Bac + 5 6 mois Intelligence Artificielle Deep Learning
L'entrainement et la performance des réseaux de neurones dépendent directement des données disponibles
pour l’entrainement. Quelle que soit la tâche à effectuer le manque de données peut empêcher l'apprentissage
de fournir des résultats satisfaisants. Une approche pour pallier ces problèmes est l'utilisation de réseaux
adverses génératifs (GANs), qui permettent par le générateur de produire des données réalistes, par transfert
de style de transformer des images synthétiques en images réalistes ou par Inpainting de générer et modifier
des sous parties des images. Cette dernière approche est encore peu explorée et elle est très prometteuse car
elle a le double avantage d’appliquer des légères modifications à l’image pour amener de la diversité et même
d’incruster de nouveaux éléments.
Au sein du département IA2P (Intelligence Artificielle et Apprentissage Profond) de DGA-MI, vous aurez la
mission de tester, de modifier et d’évaluer des architectures de réseaux de neurones de type GANPaint,
GANDissect.
Le stage sera découpé comme suit :
Phase 1 : Etat de l’art des solutions récemment apportées dans ce domaine
Phase 2 : Prise en main du code déjà disponible
Phase 3 : Evaluation des traitements et étude des limites actuelles
Phase 4 : Ajout de classe d’objets d’intérêts et réapprentissage
Phase 5 : Intégration du traitement meilleur dans un démonstrateur.

• Compétences python, Tensorflow/Keras • Compétences en traitement du Signal et des
• Rigueur, Capacités d'analyse et de synthèse d’images
• Compétences en IA (réseaux de neurones) • Mathématiques Appliquées

Les travaux menés feront l’objet d’un rapport de stage qui doit être contrôlé par l’administration, ainsi que de
présentations régulières au sein de la DGA.

33
ASC2-2021-IA2P-7
Apprentisage de réseaux de neurones

Bac + 5 6 mois Apprentissage Deep Learning
Il est aujourd’hui primordial que les puces électroniques étatiques soient conformes aux spécifications. Pour
s’assurer de cette conformité, les puces sont vérifiées par les équipes de DGA-MI. La complexité des puces ne
cesse de s’accroitre, ce qui implique une quantité de données à analyser toujours plus importante. Pour gérer
ce volume de données, de nouvelles techniques de vérification sont utilisées. Celles-ci sont basées sur des
approches par réseau de neurones pour détecter les différentes éléments constituants une puce. Ces approches
biens que performantes montrent certaines limites. Notamment, les modèles utilisés restent très spécialisés aux
images utilisées pour l’apprentissage. Les utilisateurs d’analyse d’image souhaitent pouvoir faire progresser la
détection au fur et à mesure de leur exploitation en tirant partie de nouvelles annotations. Il est toutefois très
délicat de re-entrainer le réseau à chaque ajout de données issues de son utilisation : les risques de régression
de performances sont importants (phénomène de l’oubli catastrophique) et le temps de labellisation et
d’apprentissage peuvent s’avérer rebutant.
L’objectif du stage est double :
- d’une part spécialiser un modèle à partir de très peu de données annotées d’une nouvelle puce, en étudiant
et proposant des traitements d’apprentissage actif pour sélectionner parmi un lot d’images, les images qui vont
le plus enrichir le modèle existant.
- d’autre part développer une approche rendant automatique le processus d’apprentissage continu pour
améliorer le modèle sans être obligé de réapprendre sur le corpus complet.

• Techniques d'Intelligence Artificielle (Deep learning, • Compétences en traitement d’images
VAE, …) • Connaissance en anglais : littérature technique.
• Compétences en Tensenflow/Keras
• Développement python.


34
ASC2-2021-IA2P-8
Découpage automatique de vidéos

Bac + 5 6 mois Deepfakes Deep Learning Traitement d’images
Découpage automatique de vidéos en séquence de phonèmes : Manipulation de médias vidéos.
L’objectif du stage est de réaliser le découpage automatique de vidéos en séquence de phonèmes. Pour mener
à bien ce stage, le stagiaire réalisera les travaux suivants :
• Etat de l’art des traitements pour l'alignement entre la bande son et les images d’une vidéo
• Réaliser à partir de librairie vision par ordinateur la détection des tracks des visages.
• Vérifier l'alignement entre la bande son de la vidéo et le mouvement des lèvres du visage.
• Découper la vidéo en séquence de phonèmes.
Vérifier le découpage en créant une IA capable à partir des séquences de phonèmes de reconstruire la vidéo.

• Techniques d'Intelligence Artificielle (Deep learning, • Connaissances d’outils de manipulation de
VAE, …) vidéo : ffmpeg, opencv, …
• Compétences en traitement d’images • Connaissances de format de vidéos
• Compétences en Tensenflow/Keras (compression, codage, …)
• Développement python • Traitement automatique de la parole
• Connaissance en anglais : littérature technique


35
ASC2-2021-IA3D-1
Apprentissage réparti sur machine distribuée

Bac + 5 6 mois Apprentissage machine GPGPU
Apprentissage réparti, multi-GPU ou multi-ressources hétérogènes
L’apprentissage machine (ML) nécessite de grandes capacités calculatoires, tant sur le plan des unités de
traitement que sur la gestion des flux et le stockage des données. Des machines centralisées composées de
plusieurs accélérateurs de type GPGPU permettent de répondre en partie à cette problématique, moyennant
un coût élevé. Une autre approche est de répartir l’apprentissage sur plusieurs machines plus modestes, voire
embarquées.
Le but est de faire un état de l’art des techniques et intergiciels permettant de répartir l’apprentissage sur une
machine distribuée, c’est-à-dire ne comportant pas de mémoire centrale (pas de RAM physiquement
partagée). La complexité provient du fait qu’il faut employer un modèle de programmation hybride : le modèle
imposé par les outils de ML pour déployer les calculs sur les accélérateurs locaux et le modèle de
programmation par passage de message (MPI, ou du dataflow) pour répartir les travaux entre les nœuds de
calcul et orchestrer les échanges intermédiaires (par exemple des poids, des coefficients...).
La démonstration pourra s’effectuer sur un mini cluster de PC classiques dotés de GPUs et des données NP.
Ce stage est proposé par le département IA3D spécialisé dans l’étude et la mise en place d’algorithmes
complexes pour les systèmes multi-agents autonomes et la science des données.

• Techniques d'Intelligence Artificielle • Outils pour le calcul distribué (MPI, MapReduce)
• Outils pour l’apprentissage machine • Quelques notions sur les systèmes de calcul
• Compétences en systèmes distribués (algorithmique haute-performance (HPC)
répartie, passage de messages). • Python.

36
ASC2-2021-IA3D-2
Priorisation et orchestration
des communications

Bac + 5 6 mois Systèmes communicants, Intelligence collaborative
Recherche opérationnelle
Priorisation et orchestration des communications dans le contexte d’un réseau pair-à-pair volatile :
L’évolution des moyens de calcul embarqué permettent le développement de nouvelles applications pour les
systèmes mobiles, dans lesquels une partie du traitement de l’information peut s’effectuer au plus proche des
capteurs.
Le contexte de ce stage se compose d’un ensemble de véhicules (porteurs) dotés de moyens de communication
fortement contraints en débit. L’objectif est d’identifier les informations sémantiques permettant de décrire
l’environnement d’un porteur et de déterminer un ordre de priorité pour la transmission de ces informations
sémantiques aux porteurs voisins, sur un modèle de communication pair-à-pair opportuniste et en présence
de volatilité.
Un axe de recherche consiste à se reposer sur des algorithmes de recherche opérationnelle / IA pour construire
ces listes de priorité et ainsi déterminer à un instant t, l’information sémantique à transmettre et le porteur
destinataire. Un scénario de protection collaborative peut être envisagé. La démonstration pourra s’effectuer
sur un mini cluster de plateformes embarquées interconnectés par un réseau intermittent (filaire,
déconnexions simulées).
Ce stage est proposé par le département IA3D spécialisé dans l’étude et la mise en place d’algorithmes
complexes pour les systèmes multi-agents autonomes et la science des données.

• Algorithmique répartie • Outils pour le calcul distribué (MPI, ZeroMQ,..)
• Aide à la décision • Quelques notions sur les systèmes de calcul
• Techniques pour l’Intelligence Artificielle haute-performance embarqués (HPEC).
• Python.


37
ASC2-2021-IA3D-3
Détection d’intrusions par émissions
de signaux compromettants

Bac + 5 6 mois Détection d’anomalies, Signal électromagnétique
Deep learning
En partenariat avec le laboratoire d’analyse des Signaux Parasites Compromettants de DGA-MI, le département
IA3D (Intelligence Artificielle pour les Agents Autonomes & Datascience) propose un stage sur la détection
d’intrusion sur un réseau électrique à partir du rayonnement EM des appareils non autorisés.
De premiers travaux ont abouti à la mise en place de deux solutions IA permettant de détecter la présence d’un
intrus dans un contexte expérimental (Publications à EUSIPCO 2020 et CAID 2020).
Ce stage a pour objectif d’améliorer ces solutions afin de les rendre utilisables dans un contexte réel. Il s’agira
d’adapter et d’améliorer les traitements pour pouvoir faire la détection d’intrus sur un temps continu long.
Par ailleurs, une étude d’amélioration sur les performances à plus longue distance pourra être aussi réalisée.
Un premier jeu de données générées par le laboratoire d’analyse des Signaux Parasites Compromettants est
déjà utilisable et de nouvelles données pourront être générées en fonction de l’avancement des travaux.

• Connaissances en IA et DeepLearning • Connaissances en traitement du signal
• Programmation (Python). • Une 1er expérience avec Pytorch ou Tensorflow.


38
CGN1-2021-ERS-1
Données GHOM pour Simulation
numérique Radar

Bac + 5 6 mois Traitement du signal Logiciels SIG Radar
Dans le contexte actuel de détection électromagnétique et pour un certain nombre de systèmes radar futurs à
développer, la conception des traitements (tels que l’imagerie SAR et la détection de cibles en environnements
marin et terrestre) ne peut aisément se faire qu’en s’appuyant largement sur la simulation numérique puisque les
missions à réaliser resteront inaccessibles à l’expérimentation.
L’objet de ce stage consistera dans un premier temps à comprendre et appréhender les différentes données
GHOM (Géographie Hydrographie Océanographie Météorologie) disponibles soit en open source soit via le
Ministère des Armées, et ce notamment par l’utilisation de logiciels SIG tels que QGis
(https://www.qgis.org/fr/site/). Dans un second temps, ces données GHOM seront ainsi utilisées, modifiées et
agrémentées éventuellement de nouveaux éléments (en fonction de la vérité terrain), au format CDB (Common
DataBase), de façon à alimenter les logiciels métier de DGA MI, comme par exemple pour simuler des images SAR
synthétiques et aussi détecter telle ou telle cible dans tel ou tel environnement.
Ce travail nécessite :
• une bonne maîtrise de la problématique Radar
• une bonne aptitude à la prise en main de logiciels SIG publiques et logiciels métier internes
• une bonne autonomie de travail mêlant approche théorique et simulation numérique
• des notions du format Common DataBase (description de bases de données 3D de terrain).

• Fonctionnement des logiciels SIG • Electromagnétisme, radar, hyperfréquence
• Traitement du signal • Connaissance du format CDB
• Autonomie, Bon relationnel

Utilisation des logiciels métier du moyen SIROS (Simulation for Imagery Radar and Ocean Surveillance) de DGA MI.

39
CGN1-2021-GAC-1
Développement d’outil
d’échange de données

Bac + 3 / +5 3 ou 4 mois Traitement du signal Mesures
Développement C# d’un outil d’échange de données pour Expertise SICOMORE :
Dans le cadre des activités d’expertise des systèmes de guerre des communications, des essais de caractérisation
de systèmes radio sont mis en œuvre sur des moyens hybrides à DGA-MI.
Le département GAC (Guerre Electronique Aéroportée et brouillage des Communications) propose un stage
d’une durée de 3 mois, entre juin et septembre 2021, dans le but de créer un outil informatique SiCoMore (SIgnal
COnversion & More) permettant de créer, de visualiser des fichiers de signaux et de les adapter à des générateurs
de signaux et des équipements de type « brouilleurs » afin d’être émis en radiofréquence.
SiCoMore permettra, au travers d’une IHM, de faciliter la création, la modification et la visualisation de fichiers
échantillons représentant un signal en informatique. La représentation se fera suivant plusieurs modes :
amplitude temps, temps fréquence, ...
L’analyse des données s’effectuera en présentant les données sous formes d’histogrammes et de graphiques
temps/valeurs...
Le travail du stagiaire consistera à créer cette IHM permettant de paramétrer la génération et la modification des
fichiers :
- Grâce à des outils disponibles type SCILAB, GNU RADIO, ...
- En utilisant des cartes SDR type HackRF, carte ETHUS pour générer les fichiers et les tester
- Qui seront applicables sur des générateurs de chez ROHDE & SCHWARZ, KEYSIGHT, ...
- Et seront paramétrables en durée, répétition, niveau...
Le langage de programmation de SiCoMore envisagé est le C#.
Le stagiaire rédigera la documentation logicielle associée sous la forme d’un manuel utilisateur.

• Développement informatique en C#, • Connaissances de produits SDR,
• Traitement du signal, Dév. IHM. • Pilotage appareils de mesure.


40
CGN1-2021-GAC-2
Amélioration d’un outil d’analyse

Bac + 4 3 mois Traitement du signal Mesures interception
Dans le cadre des activités d’expertise des systèmes de guerre électronique radar des avions d’armes, des essais
de caractérisation de ces systèmes sont mis en œuvre sur des moyens hybrides à DGA-MI. Le banc d’acquisition
MELBA a été conçu pour enregistrer et analyser les données de ces essais.
Le département GAC (Guerre Electronique Aéroportée et brouillage des Communications) propose un stage d’une
durée de 3 mois, entre juin et septembre 2021, dans le but de faire évoluer l’outil TRAM (Traitement et Analyse
de sortie MELBA), développé pour améliorer l’analyse d’essais de guerre électronique venant du banc
d’acquisition MELBA.
TRAM permet au travers d’une IHM de faciliter l’analyse des données en présentant les données sous formes
d’histogrammes et de graphiques temps/valeurs... Il a été développé dans le cadre d’un stage précédent et est
documenté.
Le travail du stagiaire consistera notamment à porter cette IHM pour un banc différent en développant donc :
• un portage de TRAM pour un outil en temps/fréquence,
• des ajouts de fonctionnalités internes à TRAM.
Le langage de programmation de TRAM est le C++, avec la possibilité de développer des blocs en Python si
nécessaire, le tout à l’aide de l’API Qt.
Le stagiaire rédigera la documentation logicielle associée sous la forme d’un manuel utilisateur.

• Développement informatique en C++, • Traitement du signal,
• Mesure des signaux, • Autonomie,
• Capacités de rédaction. • Notion de développement d’IHM


41
CGN1-2021-GNS-1
Générateur de signaux télécom
SDR synchrone

Bac+5 en 6 mois Traitement du signal Radio-logicielle interception
électronique/informatique FPGA GnuRadio
embarquée
Dans le domaine de la guerre électronique des télécommunications, le stagiaire aura en charge d’étudier et
d’implémenter un moyen de génération sur la base d’équipements radio-logicielle (USRP ou châssis NI PXI).
L’objectif de ce stage est de concevoir puis de développer une brique de génération de signaux RF pouvant être
synchronisée. La synchronisation basée sur un récepteur GPS pourra être absolue ou permettre la synchronisation
de plusieurs générateurs afin de simuler des réseaux télécom synchrones (TDMA, évasion de fréquence).
Les développements pourront se baser sur des solutions logicielle open-source (GnuRadio), ou sur des solutions
de type labview ou labview FPGA RIO. Les étapes du stage seront :
- Elaboration du cahier des charges
- Conception et choix des solutions (gnu radio ou labview)
- Maquettage/réalisation
- Tests
- Rédaction d’un rapport de stage.

• Informatique et électronique industrielle. • Connaissances de produits SDR,
• Pilotage appareils de mesure.
• Autonomie sur les outils GnuRadio et/ou Labview,
• base en FPGA.


42
CGN1-2021-GNS-2
Outil de dépouillement et
de capitalisation d’essais

Bac+4 ingénieur en 6 mois Développement Base de données Python
informatique
Le département GNS (Guerre électronique Navale et Situation Tactique) propose un stage d’une durée de 3 mois
dans le but de faire évoluer les outils MATAF et JADE, qui sont respectivement des outils de dépouillement
automatisé et de capitalisation de données d'essais de guerre électronique. Dans le cadre des activités
d’expertise des systèmes de guerre électronique radar, des essais de caractérisation sont déroulés sur des
moyens hybrides. Des outils ont donc été développés afin de :
• dépouiller automatiquement les essais: les données sont extraites des fichiers d’enregistrement (fichiers
XML) et sont mises en forme dans un rapport au format Word. L’IHM a été développée avec le langage
Python en version 2.4 et les librairies PyQt4.
• capitaliser les essais: les données sont stockées dans une base de données SQLite et l’IHM a été
développée dans la structure d’accueil Anaconda 3, qui utilise le langage Python en version 3.7 et les
librairies PyQt5 ;
La première partie du stage consistera à porter l’outil MATAF dans la version la plus récente de la structure
d’accueil (Anaconda 3 avec Python 3.7) et de mettre à jour la documentation logicielle associée. Dans la seconde
partie, il s’agira de faire évoluer les fonctionnalités de JADE en intégrant les fonctions d’extraction de MATAF pour
enrichir la base de données existante avec de nouvelles données liées aux tactiques de guerre électronique.

• Codage informatique
• Python et ses librairies (PyQt, SQLite)
• Base de données


43
CGN1-2021-GNS-3
Simulation GE navale

Bac +3 à +5 3 mois Développement IHM Python
L’objectif du stage est de faire le maquettage d’une IHM qui dépouillerait et présenterait les résultats d’une
simulation numérique de manière ergonomique.
La simulation numérique en question est celle d’un engagement entre l’autodirecteur électromagnétique (AD
EM) d’un missile et les contre-mesures électromagnétiques (CME) d’un système de guerre électronique (SGE).
Cette IHM doit permettre de faire ressortir non seulement les résultats mais aussi les évènements clefs qui ont
entraîné ces résultats. Un essai pourra ainsi être analysé efficacement. Deuxièmement, la simulation pourra
comporter des essais paramétriques, une étude similaire devra essayer de discerner la meilleure façon de
présenter de tels résultats.

• Maîtrise de Python
• Qt Designer.

44
CGN1-2021-GNS-4
Automatisation création scènes
électromagnétiques

Bac +4 3 mois Développement IHM Python
Automatisation de la création de scènes électromagnétiques :

L’objectif du stage sera d’automatiser la création de scénarios ELINT denses. Ces scénarios denses sont utilisés
pour la qualification de traitements de données ELINT.
Les différentes étapes du stage pourront être :
• Comprendre les paramètres d’un radar impulsionnel (LI, PRI, Fréquence, PRA, … et les notions de modes,
sous-modes et balayages antennaires associés)
• La lecture de données Radar à partir d’un MCD (modèle conceptuel de données)
• Automatiser la création de scénarios ELINT à partir de ce MCD
• Développer une IHM pour permettre la création de scénarios de manière plus ergonomique
• (Si le temps le permet) Automatiser la création de scénarios COMINT à partir d’une base de données.

• Programmation informatique Python et IHM

45
CGN1-2021-RSE-1
Développement micro-logiciel d’un système

DUT GE2i 2 à 3 mois Développement Antennes Protocoles Arduino
Bac+2, électronique et
informatique
industrielle
Développement micro-logiciel d’un système de positionnement d’antennes :
Etude et développement de la commande de position des antennes :

• 1 interface I2c sur chacun des 2 panneaux d’antennes
• 8 antennes par panneau
• Développement sous environnement Arduino
• Vérins électriques commandés en PWM
Etude et mise en œuvre du protocole I2c de commande des panneaux d’antennes

• 1 interface maître et 2 interfaces I2c
Etude et mise en œuvre du protocole Ethernet de commande du système
Etude et mise en œuvre d’une Interface Homme Machine (IHM) de commande du système.

• Langages C et C++
• Arduino.

46
CGN1-2021-RSE-2
Traitement du signal,
mesure de furtivité radar

Bac +5 5 à 6 mois Furtivité Radar Traitement du signal
Traitement du signal pour amélioration des capacités de mesure de furtivité radar en basses fréquences
Ce stage s’inscrit dans le contexte de la maîtrise des performances de furtivité électromagnétique des plates-
formes nationales (avions de chasse, drones, missiles stratégiques et tactiques, …).
Pour répondre à ce besoin, DGA Maîtrise de l’Information dispose, entre autres, d’une base de mesure de
signatures radars unique en Europe (appelée SOLANGE) permettant la mesure d’aéronefs échelle 1 tels que le
Rafale ou le démonstrateur de drone de combat NEURON. Cependant, cette base n’étant pas faradisée, les
mesures de signatures radars effectuées dans certaines bandes de fréquences peuvent être perturbées par les
émissions d’émetteurs extérieurs (TNT, GSM, émetteurs de radio surveillance, …). Compte-tenu de la furtivité des
aéronefs mesurés dans SOLANGE, ces perturbations peuvent présenter des niveaux d’amplitude pénalisants.
Dans ce contexte, l’objectif du stage est alors d’étudier l’efficacité de différentes méthodes de traitement du signal
et de proposer une méthodologie innovante de mesure permettant de supprimer ou réduire significativement
l’impact de ces perturbations sur nos mesures. Les travaux à mener seront de prendre connaissance des processus
et traitements de mesures existants, d’analyser les données de mesures disponibles, de réaliser une étude
bibliographique et de comparer l’efficacité de nouvelles méthodes de filtrage de ces perturbations.

• Traitement du signal,
• Hyperfréquence,
• Langage de programmation Matlab.


47
CGN1-2021-RSE-3
Chambre anéchoïque de mesures
de furtivité radar

Bac +4 ou +5 4 mois Electromagnétisme Hyperfréquence Radar
Etude de conception d’une nouvelle chambre anéchoïque de mesures de furtivité radar
Ce stage s’inscrit dans le contexte de la maîtrise des performances de furtivité électromagnétique des plateformes
nationales (avions de chasse, drones, missiles stratégiques et tactiques, …). Pour répondre à ce besoin, DGA
Maîtrise de l’Information dispose, entre autres, d’une chambre anéchoïque dédiée à la mesure de signatures
radars de plateformes telles que des drones, missiles, roquettes… Cette base, appelée CHEOPS, a été créée en
1972 pour répondre aux besoins des programmes d’armement en termes de maitrise et d’expertise des signatures
radars. Presque 50 ans plus tard, elle nous permet encore de répondre à un grand nombre de besoins des
programmes d’armement grâce à différents marchés de maintenances et d’évolutions techniques. Cependant de
nouveaux besoins des programmes d’armement nous conduisent à concevoir une nouvelle base de mesures.
Le projet a donc pour objectif d’étendre les capacités actuelles de CHEOPS pour répondre à de nouveaux besoins
programmes. Les principaux besoins exprimés et dimensionnant pour le projet sont l’évaluation de signatures
radars en basses fréquences, en multistatique ou encore à angles de site élevés.
Dans ce contexte, l’objectif du stage est alors d’étudier et de définir les capacités de mesures accessibles et
envisageables de cette nouvelle base de mesures pour répondre aux nouveaux besoins des programmes
d’armement. Les travaux à mener seront de prendre connaissance du cahier des charges et des besoins
programmes, d’analyser les capacités actuelles de la base CHEOPS, de réaliser une étude bibliographique sur les
chambres anéchoïques dans le monde, … tout ceci dans le but de définir les capacités accessibles en termes de
basses fréquences, d’angles d’observation de la cible sous test (multistatisme, site), etc.

• Electromagnétisme , Hyperfréquence


48
CGN2-2021-SDO-1
Exploitation de mesures
de fonds de ciel nuageux

Bac +5 3 à 5 mois Mesure infrarouge Optronique Traitement d’images
Le stage consiste à exploiter les séquences d’images acquises par l’imageur (constituant une grande masse de
données) afin de disposer de visualisations rapides, de supprimer les séquences inexploitables (ex : présence de
gouttes sur le miroir de l’imageur), puis à exploiter ces données pour caractériser la couverture nuageuse (type,
taux de couverture, base du nuage…).
Dans ce cadre, une méthode pour reconnaître le type de nuage présent à l’aide de la mesure de la température
de brillance et de l’épaisseur optique des nuages sera développée puis appliquée sur les séquences acquises. Les
hypothèses nécessaires à la mise en place de cette méthode pourront être confortées par des calculs
d’éclairement réalisés en mettant en œuvre les codes de transfert radiatif MATISSE et MODTRAN, dont les sorties
seront comparées aux mesures d’éclairement prises au niveau du sol (pyranomètres, éclairement total reçu par
l’imageur…). Pour cela, l’ensemble des mesures météorologiques seront prises en compte.
Enfin, le résultat de ces travaux se concrétisera par la création de fichiers d’environnement qui constituent les
données d’entrée aux solveurs thermiques utilisés à DGA MI : TAITHERM, SE-Thermal-1D.

• Programmation en informatique (C++ / Matlab), • Modélisation du transfert radiative dans
• Traitement d’images, Optronique. l’atmosphère.


49
CGN2-2021-SDO-2
Etude variabilité des performances
d’un imageur optronique réflectif

Bac +5 4 à 5 mois Variables atmosphériques, Optronique Calculs de
performances DRI
Le département SDO (Signatures et Détection Optronique) dispose d’un outil permettant de calculer la
distribution cumulée de la transmission atmosphérique dans les bandes Infrarouge thermiques pour des trajets
optiques et une zone géographique déterminés (outil GENIUS- GENerator of Infradred Usual Statistics). Cette
distribution est basée sur le calcul de coefficients d’extinction, coefficients qui caractérisent la transmission
atmosphérique en IR. Dans les bandes réflectives (du spectre visible au SWIR), les données statistiques sur ce
coefficient ne suffisent plus car la performance dépend de multiples contributeurs : éclairement, extinction et
luminance de colonne.
Le stage consiste à étudier la variabilité de portée DRI d’un imageur réflectif en fonction des différentes météos
rencontrées sur une zone géographique déterminée.
Pour cela le stagiaire :
- Modifiera le code de l’outil GENIUS pour permettre le calcul des différents contributeurs
atmosphériques (via des appels à l’outil de modélisation de la transmission atmosphérique
MODTRAN) ;
- Exploitera des bases de données météos pour calculer ces contributeurs atmosphériques avec une
multitude de variable en entrée (position du soleil, orientation ligne de visée, trajet optique, …) ;
- Etudiera la variabilité des bilans de portées en considérant un rapport signal à bruit séparant les variables
Delta_aldeboCible Fond ∗LumRéfléchie
atmosphériques et les variables capteur, de la forme
�Albedo_scène∗𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿é𝑓𝑓𝑓𝑓é𝑐𝑐ℎ𝑖𝑖𝑖𝑖+𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿

• Python, C/C++ et Matlab. • Modélisation et simulation numérique
• Optronique. optronique (TRM4, NVIPM, MODTRAN).


50
CGN2-2021-SYSNAV-1
Etude des techniques
d’astronavigation aéronautique

Bac +5 6 mois Astronavigation Aéronautique Traitement du signal
Traitement de l’image
Dans le contexte actuel où le GPS peut être brouillé à moindre frais, la visée d’étoiles par star-tracker fusionnée
par filtrage statistique optimal à de l’information inertiels gyroscopiques apporte une solution de navigation fiable
et robuste aux systèmes aéroportés.
Le stage a pour objet la réalisation d’une maquette mettant en œuvre ces techniques par visée stellaire et aide
inertiel. Les algorithmes (Extraction de taches et matching de catalogue d’étoiles, fusion de données inertielles et
stellaire i.e hybridation gyro- stellaire…) seront implémentés et évalués à partir d’images simulées et/ou réelles
afin d’en dégager les performances et le domaine d’emploi.
Ce stage consistera donc à :
1 - Concevoir une expérimentation des techniques d’astronavigation
2 - Réaliser une maquette composée de composants sur étagères
3 - Evaluer la robustesse et les performances la maquette.
Le stagiaire aura à sa disposition : un état de l’art des techniques existantes, un accès internet, un PC avec
environnement python, des jeux de données issues de campagnes d’essais et/ou de simulations ainsi qu'un panel
de composants sur étagères.

• Aéronautique, • Autonomie
• Traitement du signal, • Rigueur scientifique
• Traitement de l’image


51
CGN2-2021-RNAV-1
Etude de l’impact d’interférents
sur des récepteurs GNSS

Bac +5 6 mois GNSS Matlab Traitement du signal
Objectif : Mettre en place une stratégie puis développer un modèle permettant d’estimer de manière théorique
l’impact d’un interférent sur un récepteur GNSS. Entre autre, le C/N0 pourra être un bon candidat afin de
quantifier l’impact d’un interférent sur un récepteur. Des essais seront réalisés afin de comparer la théorie à la
pratique. Pour aller plus loin, il serait d’intérêt de définir un seuil théorique de C/N0 au-dessus duquel la poursuite
du code des signaux GNSS par un récepteur est possible (l’étude de la poursuite de la porteuse serait un plus). Le
travail demandé pourrait se décomposer comme décrit ci-dessous :
1) A partir des documents présents dans la littérature, développer un outil (en Matlab par exemple) capable
de calculer le C/N0 équivalent en fonction de l’interférent. La principale difficulté de ce premier point
réside dans l’estimation du facteur de qualité Q dont la notion est très proche de celle du SSC (Spectral
Separation Coefficient) [4]. Le principe est d’intégrer le produit des spectres fréquentiels (ou des densités
spectrales) du signal utile et du signal de brouillage.
2) Estimer de manière théorique, et pour chaque modulation considérée, la valeur de Q minimale pouvant
être obtenue. Cette valeur permettra de calculer le pire impact qu’un brouillage, avec une puissance
donnée, pourrait avoir sur un récepteur travaillant avec des signaux GNSS donnés.
Réaliser des essais sur différents récepteurs GNSS afin de voir si la théorie et la pratique sont cohérentes. Il est
attendu qu’en pratique, les résultats dépendent du récepteur. Il est demandé dans ce dernier point de réfléchir à
une méthodologie permettant d’avoir un modèle théorique représentatif de la réalité mais surtout représentatif
d’une large gamme de récepteurs. Pour cela il pourrait-être utile de s’intéresser aux valeurs de C/N0 estimées par
les récepteurs en absence de brouillage.

• Traitement du signal, Matlab • GNSS, GPS et Galiléo est un plus


52
CGN2-2021-TIS-1
Visée stellaire

Bac +5 6 mois Réseaux de neurones MATLAB
traitement d’images
Le stagiaire aura pour objectif de mettre en place un réseau de neurones permettant l’identification de nuages et
la discrimination des images parasites à partir d’une base d’images issues de mesures obtenues en environnement
aéronautique.
En interaction avec une équipe de 4 ingénieurs et dans un département assurant l’expertise et l’évaluation de
systèmes inertiels pour la navigation de porteurs militaires, ce stage rentre dans le cadre d’études pour le
développement de solutions de navigation innovantes. La variété de formes, de textures, et d’opacité des nuages,
mêlée à des phénomènes parasites sur les images (halo ou voile lumineux, effets de ghost, …), ne permet pas une
simple opération d’extraction sur un fond de ciel uniforme. Les phénomènes parasites vont être plus ou moins
atténués suivant la position du soleil par rapport au baffle du viseur et son cône d’exclusion. Les réseaux de
neurones sont à présent très performants pour l’identification, ou la classification d’objets dans les images.
Dans un premier temps, il sera proposé au stagiaire une architecture de réseau adaptée à cette problématique
(GAN, R-CNN, ResNet, AlexNet, Inception, ...), avec le framework correspondant (tensorFlow (C++), pyTorch
(python), Keras (python), caffe (C++/Matlab), …), installés sur une machine dédiée à cette tâche. Le stagiaire
pourra identifier et mettre en œuvre d’autres solutions qu’il jugera plus adaptées suivant son niveau de
compétence.
Puis il procédera au développement d’une interface permettant la mise en forme des données d’apprentissage (à
partir de nos images, ou en complétant avec une base de données d’images (ImageNet, COCO, Pascal VOC…)
contenant des images de ciel.
Enfin il évaluera le réseau de neurones sur un jeu de données n’ayant pas servi à l’apprentissage. Suivant les
performances obtenues, il pourra être amené à tester différents modèles de réseaux de neurones.

• Curiosité, Rigueur, Relationnel • MATLAB, C++, Python et réseaux de neurones.
• Autonomie.


53
CGN2-2021-TIS-2
Migration et Développement
d’une application python

DUT Informatique 2 à 3 mois Développement Python
OSCAR est une application spécifique permettant d’émuler un alignement de type « Référence Porte-Avions » sur
Rafale, développée en PYTHON 2.7.
Cette application est utilisée actuellement sur une plateforme Windows 10.
Les travaux demandés sont :

- De migrer le code source en PYTHON 3.6
- De coder les nouvelles fonctionnalités demandées
- De documenter le code source
- Intégrer OSCAR dans un raspberry Pi dédié.

• Développement en Python

54
CGN2-2021-TIS-3
Développement d’un logiciel d’acquisition

DUT Informatique 2 à 3 mois Développement Python
Développement d’un logiciel d’acquisition sur banc FPGA avec datation et conversion de données CAN-ASYNC sur
RASPBERRY PI :
- Développement d’un logiciel client-serveur sous Python pour dialoguer avec un châssis Compact RIO de
National instruments (partie RT et FPGA) afin de configurer l’acquisition de trames numérique (ASYNC, 1553,
CAN), entrées digitales et analogiques.
- Assurer la datation des octets par source de temps IRIG-B ou GPS et stockage des informations au format
binaire. L’envoi d’octets par cycle ou non sera implémentée sur les différentes liaisons.
- Permettre la relecture des données enregistrées.
- En complément, une programmation sur Raspberry pi 3 permettra la conversion d’information de BUS CAN
vers bus ASYNC en temps réel sous Python.
Une documentation du code sera fournie à la fin du stage.

• Développement en Python • Données numériques et analogiques

55
MAN-2021-CGP-1
Optimisation de trajectoires
de drones de combat

Bac +5 6 mois Systèmes d’armes Drone RO Matlab
Le sujet s’attaque à une problématique très actuelle :
1. L’amélioration des capacités de construction automatique et d’optimisation des trajectoires pour les
plates-formes futures (futur missile, futurs drones de combat…).
2. L’objectif de ce stage est de contribuer à l’amélioration des outils existants en étudiant différentes
méthodes de recherche de chemin optimal afin d’automatiser le formage de trajectoires garantissant la
réussite d’une mission prédéfinie en tenant compte de l’environnement et des différentes contraintes
opérationnelles rencontrées (situation tactique), tout en cherchant à optimiser la survivabilité du
système.

• Optimisation/recherche opérationnelle • Autonomie
• Logiciel Matlab-Simulink. • Rigueur scientifique.

56
MAN-2021-CGP-2
Développement d’un parachute autonome

Bac +5 6 mois Robotique, Parachute Drone RO
Développement d’un parachute autonome de petite envergure :
L’objectif de ce stage est de contribuer au développement et à l’amélioration d’un système aéro-larguée

autonome permettant de ravitailler de manière individuel du personnel au sol.
L’objectif premier de ce projet est de répondre à un besoin opérationnel des forces spéciales, mais il répond aussi
à de nombreux besoins du domaine civil (ravitaillement de population lors de catastrophe naturelle…). Un premier
prototype a déjà été développé. Les travaux restants concernent l’amélioration de la précision du point de chute
afin de permettre, entre autre, un atterrissage sur une cible mobile. Une solution d’anticollision avec d’éventuels
obstacles urbains pourra aussi s’avérer nécessaire. Les sujets traités par le stagiaire dépendront de l’avancement
du projet lors de son arrivée ainsi que de ses appétences.
Profil recherché : Roboticien ou de formation proche.

• Modélisation de système • Autonomie
• Analyse par intervalle • Polyvalence
• Algorithmique : Navigation Guidage Pilotage • Langage informatique : C ou C++
• Informatique : Linux, Python, Matlab. • Middleware : ROS.

57
MAN-2021-CVO-1
Démonstrateur HUMS

DUT ou Licence en 10 semaines mini Traitement du signal Arduino
génie Informatique
Industrielle
Les HUMS (Health and usage monitoring systems) sont des dispositifs de mesure autonomes d’environnements
mécaniques et thermiques implantés de manière permanente sur un système. L’objectif recherché est de traiter
les mesures en temps réel afin de pouvoir vérifier préventivement que l’endommagement subi par le système ne
dépasse pas son potentiel qualifié. Le stage proposé a pour objectif de valider la faisabilité d’implantation sur un
HUMS des méthodes de détermination du potentiel de vie des munitions (vieillissement thermique et
mécanique), de mesurer le temps de calcul nécessaire et la consommation énergétique du HUMS.
Les travaux vont consister à :
• Etape 1 : faire fonctionner une carte programmable de type Rasberry ou Arduino comme un système
d’acquisition de données thermiques et mécaniques à partir des capteurs correspondants,
• Etape 2 : traiter en temps réel les mesures dans des modèles de vieillissement pour en déduire un niveau
d’endommagement thermique (Durée équivalente) et mécanique (Contrainte et Fatigue) à comparer
avec un gabarit

• Mise en œuvre de cartes programmables • Notions de mécanique vibratoire
• Programmation Python
• Traitement du signal

58
TEC-2021-SPC-1
Modélisation de la propagation

Bac +5 6 mois Télécommunication Propagation, Deep Learning IA
PFE
Dans le domaine des télécommunications, le stagiaire aura en charge d’étudier si et comment les techniques de
« deep learning » peuvent apprendre sur des données de mesures de propagation ou des données issues de
calculs de propagation déterministes comme CARDIF et aboutir à des algorithmes d’IA capables de produire de la
prédiction de propagation. Des résultats prometteurs ont émergés à DGA MI et serviront de point de départ pour
le stagiaire.
Les travaux s’appuieront sur des données expérimentales correspondant à des mesures de propagation réalisées
sur des profils de terrains très variés. Les étapes du stage sont :
1) S’approprier les premiers résultats
2) Choix des méthodes,
3) Evaluation des performances : gains obtenu avec l’utilisation d’un « modèle IA » ayant réalisé son apprentissage
sur des résultats expérimentaux.
4) Evaluation des performances par apprentissage par rapport à un modèle de référence et identification des
situations de mauvaise prédiction du modèle.
Le but est d’obtenir :
• un modèle de propagation pour améliorer les résultats dans les cas complexes et pour se substituer aux
modèles de propagation classiques 2D pour prouver la faisabilité.
• Un modèle de propagation pour effectuer des calculs rapides pour les besoins opérationnels et éviter ou
limiter la réalisation de mesures sur le terrain.
Le stagiaire devra avoir des connaissances en deep learning, une bonne maîtrise des environnements de
programmations (langage python, Tensorflow 2.x/PyTorch) et des connaissances de base dans le domaine
télécoms/propagation des ondes.

• Initiative, autonomie. • Télécoms,
• Techniques d'IA (Deep learning, …) • Propagation radioélectriques.
• Tensenflow 2.x ou PyTorch, Python.


59
TEC-2021-STR-1
Synchronisation fréquentielle pour DSSS

Bac +5 6 mois Comm numériques Traitement du signal
Certains porteurs, comme les aéronefs, nécessitent d’avoir des liens de communication robustes aux très fortes
mobilités. Les opérations extérieures (OPEX) présentent des difficultés en terme de coordinations fréquentielles.
De ce fait, les systèmes de communication militaires doivent être robustes aux interférences. Des réflexions sont
en cours vers un potentiel regain d’intérêt pour la modulation à étalement de spectre (DSSS) et l’accès multiple
par répartition de codes (CDMA). En effet, le DSSS offre un gain de discrétion et une bonne robustesse vis-à-vis
des interférences. Le DSSS et CDMA ont été longuement étudiés fin des années 90 et début 2000 pour des
applications civiles (Wi-Fi et UMTS). Leurs performances n’ont cependant pas été étudiées pour des scénarios
hostiles : très fort Doppler, interférences avec d’autres systèmes, … Des questions émergent sur les algorithmes
de réception à favoriser en fonction des scénarios radio. Plus précisément, nous nous intéresserons à la
complexité d’implémentation et la robustesse des algorithmes de synchronisation fréquentielle vis-à-vis de
scénarios à forte mobilité et en présence d’interférence. L’étude débutera par un état de l’art de la modulation
DSSS et des algorithmes de synchronisation temporelle et fréquentielle associés. Un choix sera fait sur les
algorithmes qui seront à implémenter dans la chaine de simulation existante. Des simulations seront effectuées
sur des canaux à forte mobilité avec présence de différents types d’interférence. Une analyse et comparaison des
performances des différents algorithmes sera effectué en fonction des scénarios de mobilité et des formes d’onde
d’interférence. Idéalement, des développements analytiques seront développés pour expliquer les résultats.
L’étude permettra de conclure sur les types de récepteurs à mettre en œuvre en fonction des scénarios.

• Communications numériques, • Programmation C
• Traitement du signal, Matlab

La soumission d’un article en conférence pourrait être envisagée si des résultats pertinents dans des scénarios,
configurations standards et génériques sont obtenus. Des réunions d’avancement auront lieu avec un doctorant
de l’Université de Bretagne Occidentale (UBO) et Thalès SIX et un post-doc de l’ENSTA Paris qui travaillent sur le
même sujet. Ceci permettra à l’étudiant d’agrandir son réseau professionnel.

60
TEC-2021-STR-2
Développement d’un système
de sondage de canal

Bac +5 6 mois Comm numériques Traitement du signal Sondage de
canal
Domaines précis : Sondage de canal, communications numériques, SDR, traitement de signal, GNU Radio, Python,
logiciel embarqué, Matlab, multi-trajets, MIMO.
Le manque ou l’absence de modèles de propagation dans les bandes de fréquence centimétrique et millimétrique
pour des liaisons air-sol et air-air ne permet pas de définir des formes d’ondes et algorithmes de réception
adaptés. Ceci est particulièrement important pour certains porteurs, comme les aéronefs qui nécessitent d’avoir
des liens de communication robustes aux très fortes mobilités et aux multi-trajets. Le sondage de canal est une
méthode de mesure permettant d’analyser le comportement des ondes électromagnétiques en environnement
réel. Il permet de caractériser la propagation des ondes électromagnétique afin d’en extraire ses caractéristiques,
(temporelles, fréquentielles, spatiales) et d’en générer un modèle statistique.
L’objectif de l’étude est de finaliser un système de sondage de canal à l’aide de matériel SDR USRP ETTUS [1].
L’étude débutera par une bibliographie des effets du canal de propagation sur un signal de communication radio
et des techniques de sondage de canal. L’étude sera suivie du développement d’un émetteur sur une plateforme
USRP compatible du sondeur de canal existant. Le choix du langage de programmation sera à définir pour garantir
la facilité d’utilisation, l’évolutivité et la pérennité du système (compatibilité avec d’autres plateformes USRP par
exemple). Le traitement des données issues du sondeur sera à réaliser avec Matlab. L’utilisation d’un émulateur
de canal permettra de vérifier et de déterminer les capacités du sondeur. L’étude pourra être complétée par des
campagnes de mesures terrain.
[1] : https://www.ettus.com/all-products/e310/

• Electronique, Systèmes embarqués, Matlab, Python,
Télécommunications


61
www.dghack.fr
« DG'hAck : capture the Job ! Ou comment remporter un stage ou un

poste à DGA Maîtrise de l'information »
Ce challenge en cybersécurité est ouvert aux étudiants et professionnels
du 12 au 27 novembre 2020. Les joueurs les mieux classés se verront
offrir un entretien de sélection pour un stage de fin d’étude ou un
emploi en CDI à DGA Maîtrise de l'information, sans passer par une pré-
sélection sur épreuve technique.

62
Index
Aéronautique ................................................................................................................................................................................................... 51
Analyse ............................................................................................................................................................................................................... 17
Analyse de code .............................................................................................................................................................................................. 26
Analyse statique .............................................................................................................................................................................................. 26
Android................................................................................................................................................................................................ 14, 15, 24
Antennes............................................................................................................................................................................................................ 46
Apprentissage .................................................................................................................................................................................................. 34
Apprentissage machine ................................................................................................................................................................................ 36
Arduino........................................................................................................................................................................................................46, 58
Astronavigation ............................................................................................................................................................................................... 51
Base de données ............................................................................................................................................................................................. 43
BigData ............................................................................................................................................................................................................... 12
Calculs de performances DRI ...................................................................................................................................................................... 50
Collecte .............................................................................................................................................................................................................. 19
Communications numériques .............................................................................................................................................................60, 61
Container ........................................................................................................................................................................................................... 13
Cryptographie .................................................................................................................................................................................................. 22
CVE....................................................................................................................................................................................................................... 24
Deep Learning ...............................................................................................................................25, 29, 30, 31, 32, 33, 34, 35, 38, 59
Deepfakes .......................................................................................................................................................................................................... 35
Développement.................................................................................................................................................. 16, 43, 44, 45, 46, 54, 55
DevOps ............................................................................................................................................................................................................... 12
Drone ...........................................................................................................................................................................................................56, 57

63
Electromagnétisme ........................................................................................................................................................................................ 48
Embarqué ...................................................................................................................................................................................................23, 25
Firmware............................................................................................................................................................................................................ 17
FPGA .............................................................................................................................................................................................................22, 42
Furtivité .............................................................................................................................................................................................................. 47
GNSS .................................................................................................................................................................................................................... 52
Gnuradio ............................................................................................................................................................................................................ 42
GPGPU ................................................................................................................................................................................................................ 36
Hyperfréquence .............................................................................................................................................................................................. 48
IA .......................................................................................................................................................................................................................... 59
IHM ...............................................................................................................................................................................................................44, 45
Intégration......................................................................................................................................................................................................... 16
Intelligence Artificielle .................................................................................................................................................... 29, 30, 31, 32, 33
Java ...................................................................................................................................................................................................................... 15
Knowledge Extraction ................................................................................................................................................................................... 20
Knowledge Graph ........................................................................................................................................................................................... 21
Kotlin ................................................................................................................................................................................................................... 15
Kubernetes ........................................................................................................................................................................................................ 13
Langage .............................................................................................................................................................................................................. 18
Linked Data ....................................................................................................................................................................................................... 20
Localisation physique .................................................................................................................................................................................... 28
Logiciels SIG ...................................................................................................................................................................................................... 39
Matlab ................................................................................................................................................................................................. 52, 53, 56
Mesure infrarouge.......................................................................................................................................................................................... 49
Mesures ......................................................................................................................................................................................................40, 41
Ontology ............................................................................................................................................................................................................ 21
Optronique.................................................................................................................................................................................................49, 50
Protocoles ......................................................................................................................................................................................................... 46
PUF....................................................................................................................................................................................................................... 22
Python ................................................................................................................................................................... 14, 15, 27, 43, 44, 54, 55
Radar .................................................................................................................................................................................................... 39, 47, 48
Radio-logicielle ................................................................................................................................................................................................ 42
Recherche opérationnelle ............................................................................................................................................................ 37, 56, 57

64
Réseaux de neurones .................................................................................................................................................................................... 53
Reverse ........................................................................................................................................................................................................23, 24
ROPCHAIN ......................................................................................................................................................................................................... 23
SAR ....................................................................................................................................................................................................................... 28
Scénario MITRE ............................................................................................................................................................................................... 27
Sécurisation ...................................................................................................................................................................................................... 13
Side channel attack ........................................................................................................................................................................................ 25
SIEM .................................................................................................................................................................................................................... 12
Simulink.............................................................................................................................................................................................................. 56
Sonde .................................................................................................................................................................................................................. 27
Télécommunication.................................................................................................................................................................................32, 59
Text mining........................................................................................................................................................................................................ 20
Traduction ......................................................................................................................................................................................................... 18
Traitement d’images ........................................................................................................................................................ 29, 30, 31, 35, 49
Traitement du signal ...................................................................................................................39, 40, 41, 42, 47, 51, 52, 58, 60, 61
Veille web .......................................................................................................................................................................................................... 19
VHDL Verilog..................................................................................................................................................................................................... 22

65

DGA Maîtrise de L'information

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

DGA Maîtrise de L'information

Transféré par

Droits d'auteur :

Formats disponibles

DGA

DGA MAÎTRISE DE L’INFORMATION

Mention : Ce book est une liste des stages

Avec notre positionnement

DGA Techniques hydrodynamiques

DGA Ingénierie des projets

DGA Techniques terrestres

DGA Essais de missiles

DGA Essais en vol

DGA Essais de missiles

DGA Techniques navales

Retrouvez notre actualité

DGA Maîtrise de l’information

XXBreizh CTF ▼▼Vivatech

DGA Maîtrise de l’information

ASC2-2021-IA3D-3 Dé tection d’intrusions par é missions de signaux compromettants ____________ 38

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Compétences indispensables Compétences souhaitées

Les “+” du stage

DGA Maîtrise de l’information

Niveau requis Durée Mots-clés

Le stage pourra éventuellement déboucher sur une proposition de poste en CDI.