Dynamiques de la sélection et des comportements des validateurs de blockchains tolérantes aux byzantins
Dynamics of validator selection and behavior in byzantine fault tolerant blockchain sytems
Jury
Directeur de these_GEORGES_Jean-Philippe_Université de Lorraine
Rapporteur_RACHEDI _Abderrazak_Université Gustave Eiffel
Rapporteur_SOUIHI_Sami_CEA-LIST (Dept DILS, Labo LICIA)
Examinateur_CHINNICI _Marta_ENEA,C.R.CASACCIA
Examinateur_BADONNEL _Rémi_Université de Lorraine
Co-encadrant de these_KUBLER_Sylvain_Université du Luxembourg
école doctorale
IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
Laboratoire
CRAN - Centre de Recherche en Automatique de Nancy
Mention de diplôme
Automatique, Traitement du signal et des images, Génie informatique
amphi 8
Faculté des Sciences et Technologies
Mots clés
Blockchain,Tolérance aux fautes byzantine,Sécurité,Consensus,Dynamique d'opinion,
Résumé de la thèse
Cette thèse examine les défis fondamentaux liés à la sélection et à la surveillance des validateurs dans les protocoles de consensus tolérants aux fautes byzantines (BFT), qui constituent le fondement de la sécurité et de la performance des systèmes blockchain. Les approches existantes présentent des limites en matière d'adaptabilité dynamique et de détection proactive des comportements malveillants. Pour surmonter ces contraintes, nous proposons un cadre méthodologique combinant modélisation probabiliste, théorie de l'information et apprentissage automatique.
Keywords
Blockchain,BFT,Secutity,Consensus,Opinion dynamic,
Abstract
This thesis investigates the fundamental challenges associated with validator selection and monitoring in Byzantine Fault-Tolerant (BFT) consensus protocols, which underpin the security and performance of blockchain systems. Existing approaches exhibit significant limitations in terms of dynamic adaptability and proactive detection of malicious behaviors. To address these shortcomings, we propose an innovative methodological framework that combines probabilistic modeling, information theory, and machine learning.
