Note ABES Structural and spectral analysis of dynamic graphs for attack detection Analyse structurelle et spectrale des graphes dynamiques pour la détection des attaques Analyse spectrale Détection d'attaques Topologies de graphes Spectre Laplacien Valeurs propres Fenêtrage temporel Attaques avancées Spectral Analysis Attack Detection Graph Topologies Spectrum Laplacian Eigenvalues Time-windowing Advanced Attacks 005.8 Cyberterrorisme Sécurité informatique Cette thèse propose un cadre d’analyse spectrale et structurelle basé sur les graphes pour détecter les cyberattaques dans des réseaux dynamiques et hétérogènes, notamment dans l’Internet des objets médicaux (IoMT). Les modèles d’apprentissage automatique classiques échouent souvent à identifier les attaques faibles ou évolutives en raison de leur nature statique. Pour surmonter cettelimite, trois contributions sont introduites : la méthode Spectral Time-Windowing (SpectraTW),définissant de nouveaux indicateurs spectraux (Connectedness, Wiriness, Flooding, Asymmetry)pour repérer les attaques à faible signal ; la métrique BiFlowness, exploitant la topologie bipartite pour détecter précocement les attaques multi-étapes ; et la bibliothèque open-source Graph Processing for Machine Learning (GPML), un outil Python intégrant séries temporelles, métriques spectrales et graphes pour une analyse cybersécuritaire reproductible. Ces contributions renforcentla précision, la compréhension et la performance de la détection d’attaques dans les environnements IoMT et cyber-physiques. This thesis presents a spectral and structural graph-based framework for detecting cyberattacks indynamic and heterogeneous networks, with a focus on the Internet of Medical Things (IoMT).Traditional machine learning models often fail to capture evolving or weak-signal attacks due to theirstatic data assumptions. To address this limitation, the work introduces three key contributions: theSpectral Time-Windowing (SpectraTW) method, which defines new spectral indicators(Connectedness, Wiriness, Flooding, Asymmetry) for detecting low-signal and multi-class attacks;the BiFlowness metric, which leverages bipartite graph topology for early-stage attack detection; andthe Graph Processing for Machine Learning (GPML) library, an open-source Python toolkit thatunifies time-series, spectral metrics, and graph-based processing for reproducible cybersecurityanalysis. Together, these contributions enhance the accuracy, interpretability, and scalability ofattack detection across complex IoMT and cyber-physical systems. Electronic Thesis or Dissertation Text en PDF 3041579 https://publication-theses.unistra.fr/public/theses_doctorat/2025/JABER_Majed_2025_ED269.pdf http://www.theses.fr/2025STRAD049/abes https://theses.hal.science/tel-05481514 https://theses.hal.science/tel-05481514 https://theses.hal.science/tel-05481514 Jaber Majed 1996-02-19 FR 274927543 223126495JD 22223759 4200018 https://theses.fr/2025STRAD049 2025STRAD049 https://doi.org/10.70675/3ce9dcbcz7273z4876zbe64z9083e7484a54 2025-12-19 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Parrend Pierre MADS_DIRECTEUR_DE_THESE_1 2700 144476185 Deruyver Aline MADS_DIRECTEUR_DE_THESE_2 077748700 Pahl Marc-Oliver MADS_PRESIDENT_DU_JURY 263496864 Messai Mohamed-Lamine MADS_MEMBRE_DU_JURY_1 293365105 Kanawati Rushed MADS_MEMBRE_DU_JURY_2 164338896 Pahl Marc-Oliver MADS_RAPPORTEUR_1 263496864 Legrand Véronique MADS_RAPPORTEUR_2 176609067 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Parrend Pierre Deruyver Aline Pahl Marc-Oliver Messai Mohamed-Lamine Kanawati Rushed Pahl Marc-Oliver Legrand Véronique École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 3041579