Résultats de recherche

SynopsisA honeypot is a security tool deliberately designed to be vulnerable, thereby enticing attackers to probe, exploit, and compromise it. Since their introduction in the early 1990s, honeypots have remained among the most widely used tools for capturing cyberattacks, complementing traditional defenses such as firewalls and intrusion detection systems. They serve both as early warning systems and as sources of valuable attack data, enabling security professionals to study the techniques and behaviors of threat actors.While conventional honeypots have achieved significant success, they remain deterministic in their responses to attacks. This is where adaptive or intelligent honeypots come into play. An adaptive honeypot leverages Machine Learning techniques, such as Reinforcement Learning, to interact with attackers. These systems learn to take actions that can disrupt the normal execution flow of an attack, potentially forcing attackers to alter their techniques. As a result, attackers must find alternative routes or tools to achieve their objectives, ultimately leading to the collection of more attack data.Despite their advantages, traditional honeypots face two main challenges. First, emulation-based honeypots (also known as low- and medium-interaction honeypots) are increasingly susceptible to detection, which undermines their effectiveness in collecting meaningful attack data. Second, real-system-based honeypots (also known as high-interaction honeypots) pose security risks to the hosting organization if not properly isolated and protected. Since adaptive honeypots rely on the same underlying systems, they also inherit these challenges.This thesis investigates whether it is possible to design a honeypot system that mitigates these challenges while still fulfilling its primary objective of collecting attack data. To this end, it proposes a new abstract model for adaptive self-guarded honeypots, designed to balance attack data collection, detection evasion, and security preservation, ensuring that it does not pose a risk to the rest of the network.Membres du juryProf. Wim VANHOOF, Président, Université de NamurProf. Jean-Noël COLIN, Promoteur, Université de NamurProf. Florentin ROCHET, Membre interne, Université de NamurProf. Benoît FRENAY, Membre interne, Université de NamurProf. Ramin SADRE, Membre externe, Université catholique de Louvain Dr. Jérôme FRANCOIS, Membre externe, Université du LuxembourgVous êtes cordialement invités à un drink, qui suivra la soutenance publique. Pour une bonne organisation, merci de donner votre réponse pour le mardi 20 mai 2025.   Je m'inscris

Formulaire d'inscription Nom Prénom Adresse e-mail Assistera à la réception qui suivra la défense Oui ( optionnel ) Non ( optionnel ) Désire une vignette de parking Oui ( optionnel ) Non ( optionnel ) Souhaite un certificat pour l'assistance à la défense Oui ( optionnel ) Non ( optionnel ) Pour le traitement de votre demande, les données sans mention « optional » doivent obligatoirement être complétées. Lorsque vous soumettez ce formulaire, les données complétées sont transmises à l’UNamur et utilisées pour donner suite à votre demande. Pour en savoir plus sur la protection de vos données et sur vos droits

SynopsisLes méthodes deep learning sont devenues de plus en plus populaires pour construire des systèmes intelligents. Actuellement, de nombreuses architectures deep learning constituent l'état de l'art dans leurs domaines respectifs, tels que la reconnaissance d'images, la génération de texte, la reconnaissance vocale, etc. La disponibilité de bibliothèques et de frameworks matures pour développer de tels systèmes est également un facteur clé de ce succès.Ce travail explore l'utilisation de ces architectures pour construire des systèmes intelligents pour les langues des signes. La création grands corpus de données en langue des signes a rendu possible l'entraînement d'architectures deep learning à partir de zéro. Les contributions présentées dans ce travail couvrent tous les aspects du développement d'un système intelligent basé sur l'apprentissage profond. Une première contribution est la création d’une base de données pour la Langue des Signes de Belgique Francophone (LSFB). Celle-ci est dérivé d’un corpus existant et a été adapté aux besoins des méthodes deep learning. La possibilité de recourir à des méthodes de collecte participative (crowdsourcing) pour recueillir d'avantages de données est également explorée.La deuxième contribution est le développement ou l’adaptation d'architectures pour la reconnaissance automatique de la langue des signes. L'utilisation de méthodes contrastives pour apprendre de meilleures représentations est explorée, et la transférabilité de ces représentations à d'autres langues des signes est évaluée.Enfin, la dernière contribution est l’intégration des modèles dans des logiciels destinés au grand public. Cela a permis de mener une réflexion sur les défis lié à l'intégration d'un module intelligent dans le cycle de vie du développement logiciel.Membres du juryProf. Wim VANHOOF, Président, Université de NamurProf. Benoît FRENAY, Promoteur, Université de NamurProf. Anthony CLEVE, Co-promoteur, Université de NamurProf. Laurence MEURANT, Membre interne, Université de NamurProf. Lorenzo BARALDI, Membre externe, Université de ModèneProf. Annelies BRAFFORT, Membre externe, Université de Paris-SaclayProf. Joni DAMBRE, Membre externe, Université de GandVous êtes cordialement invités à un drink, qui suivra la soutenance publique. Pour une bonne organisation, merci de donner votre réponse pour le vendredi 6 juin. Je m'inscris

SynopsisOver recent years, the development of agent-based models has allowed researchers to advance their understanding of naturally occurring collective behaviours. Swarm robotics, a field studying the design of decentralised robot swarms, has emerged following the replication of some collective behaviours in artificial groups of robots. The first part of this thesis provides novel techniques for the aggregation of heterogeneous swarms. First, we enhance an existing controller for an aggregation problem on two sites through the use of informed robots. We show that our simplified approach offers a wider range of operating conditions and a greater flexibility. Second, we provide a new method for the aggregation of robot swarms with adaptive random walks. We separately study cue-based aggregation with a swarm of robots only sensing private information and neighbour-based aggregation with a swarm of robots sensing social information. We show that a trade-off can be obtained with a heterogeneous swarm composed of the two robot types, forming a dense cluster near the minimum of an environmental cue. Private and social information also play a key role in the evolution of biological processes inside animal groups. Dispersal, the movement of an animal from site of birth to site of reproduction, is strongly affected by the acquisition and the use of information. Since experimental research is often difficult to conduct while accounting for multiple information sources and environmental variability, the use of agent-based models offer an opportunity to study the evolution of dispersal and its associated costs linked to private and social information in a controlled setting. The second part of this thesis provides an agent-based model of dispersal including the acquisition of information and its associated costs. Throughout three case studies, we observe the evolution of genes linked to the acquisition of information and the obtained dispersal strategies in different scenarios. Jury members Prof. Wim Vanhoof, Président, Université de Namur, BelgiqueProf. Elio Tuci, Secrétaire, Université de Namur, BelgiqueProf. Timoteo Carletti, Membre interne, Université de Namur, Belgique Prof. Eliseo Ferrante, Membre externe, Vrije Universiteit Amsterdam, Pays-BasProf. Mauro Birattari, Membre externe, ULB, Belgique Prof. Andreagiovanni Reina, Membre externe, Universität Konstanz, Allemagne  La défense sera suivie d'un drink. Je m'inscris

Formulaire d'inscription Nom Prénom Adresse e-mail Assistera à la réception qui suivra la défense Oui ( optionnel ) Non ( optionnel ) Désire une vignette de parking Oui ( optionnel ) Non ( optionnel ) Souhaite un certificat pour l'assistance à la défense Oui ( optionnel ) Non ( optionnel ) Pour le traitement de votre demande, les données sans mention « optional » doivent obligatoirement être complétées. Lorsque vous soumettez ce formulaire, les données complétées sont transmises à l’UNamur et utilisées pour donner suite à votre demande. Pour en savoir plus sur la protection de vos données et sur vos droits

Epreuve d'admission 2025 (inscription 2025-2026)  À l'attention des candidats issus d'un pays hors Union européenne (HUE) qui ne résident pas en BelgiqueQuand : jeudi 12 juin 2025. 8h50 (heure Belgique, UTC +2). Le test est prévu de 9h à 13h. Où : en ligneConfirmation de participation : confirmation OBLIGATOIRE via secretariat.info@unamur.be. Sans cette confirmation, le candidat n'aura pas accès au test d'admission en ligne! Les candidats ayant satisfait au test pourraient être convoqués à un entretien oral sur Teams (à une date à définir) pour confirmer les résultats obtenus. Les modalités pratiques seront renseignées prochainement. À l'attention des candidats VAE et des candidats issus d'un pays hors Union européenne (HUE) qui résident en BelgiqueQuand : jeudi 21 août 2025Où : UNamur, Faculté d’Informatique, Rue Grandgagnage, 21, B – 5000 NamurAccéder au campusLocal : local I22Plan du campusConfirmation de participation: confirmation OBLIGATOIRE via secretariat.info@unamur.beInformation test admission 2025Le test d'admission, qui n'a lieu qu'une seule fois par an, est en français et est écrit. Cette épreuve consistera en quelques questions visant à tester les compétences indispensables pour accéder au cycle de master en sciences informatiques. La formation de deux ans pour un master 60 ou de trois ans pour un master 120 est composé d'une part des Unités d'Enseignement Supplémentaires au master (passerelle d'un an) et d'autre part du programme de master (master 60 ou master 120).Vous devez réussir le test d’admission pour poursuivre votre inscription. En cas d’échec, aucune inscription ne sera possible. Afin de vous aider à préparer cette épreuve, vous trouverez ci-dessous des références pour chaque compétence testée.Compétence :Dresser la carte du fonctionnement d'un ordinateur tant du point de vue matériel que logiciel.Références : https://www.pearson.com/en-us/subject-catalog/p/modern-operating-systems/P200000003311/9780137538638https://csc-knu.github.io/sys-prog/books/Andrew%20S.%20Tanenbaum%20-%20Modern%20Operating%20Systems.pdfhttps://www.handsonsecurity.net/files/chapters/edition3/sample-buffer-overflow.pdfCompétences :Comprendre le rôle central des algorithmes et des structures de données principales et mettre en œuvre les processus de construction de programmes.Comprendre les principaux paradigmes de programmation : dans le cas présent, le paradigme impératif.Références :T.H. Cormen, C.E. Leiserson, R. L. Rivest, C. Stein, Introduction to Algorithms, 3th edition, MIT Press, 2009, ISBN: 9780262033848. Chapters 1 - 10. https://edutechlearners.com/download/Introduction_to_algorithms-3rd%20Edition.pdfR. Backhouse, Program Construction: Calculating Implementations from Specifications; John Wiley and Sons, 2003, ISBN 978-0470848821.S.G. Kochan, Programming in C, 3th edition, Sams Publishing, 2004, ISBN 978-0672326660. Compétence : Comprendre et exploiter les bases de données : modélisation et technologies.Référence :Jean-Luc Hainaut, Bases de données - Concepts, utilisation et développement (Dunod, 2022). La page de l'ouvrage est disponible ici. Compétences :Raisonner et utiliser le langage mathématique de manière formelle.Construire et rédiger une démonstration mathématique synthétique et rigoureuse.Référence :https://www.dunod.com/sciences-techniques/methodes-mathematiques-pour-informatique-cours-et-exercices-corriges et en particulier les chapitres 1 à 6, 8, 10 à 14 Date de la dernière mise à jour : 10 juin 2025

Contact Secrétariat +32 (0)81 72 52 52 secretariat.info@unamur.be Secrétariat des étudiants Étudiants bacheliers et masters en cours du jour isabelle.daelman@unamur.be Étudiants du Certificat en Data Science, Master en Cybersecurité, Master en Architecture des systèmes informatiques « Masi » en cours du jour amelie.notaro@unamur.be Étudiants à horaire décalé et du master de spécialisation (BAGI) benjamine.lurquin@unamur.be Adresse Faculté d'informatiqueRue Grandgagnage, 21B-5000 Namur

JuryDr. Gilles PERROUIN, Président, Université de NamurProf. Anthony CLEVE, Promoteur, Université de NamurProf. Benoît VANDEROSE, Membre interne, Université de NamurProf. Xavier DEVROEY, Membre interne, Université de NamurProf. Serge DEMEYER, Membre externe, Université d’AnversProf. Michele LANZA, Membre externe, Université de la Suisse ItalienneVous êtes cordialement invités à un drink, qui suivra la soutenance publique.You are kindly invited to a drink, which will follow the public defense.Pour une bonne organisation, merci de vous inscrire pour le lundi 19 août au plus tard.For a good organization, please register by Monday, August 19.

JuryProf. Wim VANHOOF, Président, Université de NamurProf. Benoit FRENAY, Promoteur, Université de NamurDr. Alexandre MAYER, Co-Promoteur, Université de NamurDr. Gilles PERROUIN, Membre interne, Université de NamurDr. Paul TEMPLE, Membre externe, Université de RennesProf. John A. LEE, Membre externe, Université de LouvainVous êtes cordialement invités à un drink, qui suivra la soutenance publique.You are kindly invited to a drink, which will follow the public defense.Pour une bonne organisation, merci vous inscrire pour le mardi 3 septembre au plus tard.For a good organization, please register by Tuesday, Septembre 3. 

Comme chaque année, la Faculté d’informatique organise un salon emploi dédié aux métiers du numérique. C'est l'UNamur IT Jobs Fair 2024, le mardi 12/11 à l'Arsenal.