Stealth attacks targeting industrial control systems (ICS) exploit subtle sequences of malicious actions, making them difficult to detect with conventional methods. The OPC Unified Architecture (OPC UA) protocol—now widely adopted in SCADA/ICS environments—enhances OT–IT integration but simultaneously increases the exposure of critical infrastructures to sophisticated cyberattacks. Traditional detection approaches, which rely on instantaneous traffic features and static models, neglect the sequential dimension that is essential for uncovering such gradual intrusions. To address this limitation, we propose a hybrid sequential anomaly detection pipeline that combines Markov chain modeling to capture temporal dependencies with machine learning algorithms for anomaly detection. The pipeline is further augmented by explainability through SHapley Additive exPlanations (SHAP) and causal inference using the PC algorithm. Experimental evaluation on an OPC UA dataset simulating Man-In-The-Middle (MITM) and denial-of-service (DoS) attacks demonstrates that incorporating a second-order sequential memory significantly improves detection: F1-score increases by +2.27%, precision by +2.33%, and recall by +3.02%. SHAP analysis identifies the most influential features and transitions, while the causal graph highlights deviations from the system’s normal structure under attack, thereby providing interpretable insights into the root causes of anomalies.

Respiratory diseases constitute a major global health burden, necessitating accurate and reliable diagnostic support tools. Conventional auscultation, despite its widespread clinical use, remains inherently subjective and susceptible to inter-observer variability. In this study, we propose a unified deep learning framework for the automated classification of respiratory sound recordings into four clinically relevant categories: Normal, Crackles, Wheezes, and Crackles + Wheezes. The experimental evaluation was conducted on a publicly available dataset comprising heterogeneous respiratory recordings collected from both patients with pulmonary pathologies and healthy individuals. All audio signals were subjected to standardized preprocessing procedures to enhance signal consistency and ensure reliable feature extraction across acquisition conditions. To ensure methodological rigor and prevent optimistic bias, a strict subject-independent validation strategy was adopted using 5-fold GroupKFold cross-validation based on patient identifiers. Six deep learning architectures were systematically implemented and comparatively evaluated under a controlled and reproducible training protocol, including convolutional (1D-CNN, Deep-CNN), recurrent hybrid (CNN–LSTM, CNN–BiLSTM), and attention-based (CNN–Attention, CNN–Transformer) models. Performance metrics were reported as mean ± standard deviation across folds. The CNN–Attention architecture achieved the best overall performance, yielding a Balanced Accuracy of 90.1% ± 1.8% and a macro F1-score of 89.7% ± 2.1%, demonstrating stable inter-patient generalization. These findings indicate that attention-enhanced hybrid architectures effectively capture both local spectral structures and long-range temporal dependencies inherent in respiratory signals. The proposed framework provides a robust foundation for subject-independent automated lung sound classification and contributes to the development of clinically reliable decision-support systems.

Mesure de distance inter plaques combustibles par méthode ultrasonore haute fréquence: Le Réacteur à Haut Flux (RHF) de l'Institut Laue-Langevin (ILL), uniquement dédié à la recherche fondamentale, produit le flux continu de neutrons thermiques le plus intense au monde, soit 1.5 1015 neutrons par seconde et par cm2, avec une puissance thermique de 58 MW. Ce réacteur possède un cœur constitué d'un élément combustible unique en uranium très enrichi. Dans le cadre d'une étude sur le comportement des éléments combustibles après irradiation, l'ILL souhaite développer un dispositif capable d'aller mesurer la largeur du canal d'eau. Cette mesure permettra de caractériser le gonflement des plaques, inhérent à l'irradiation, ainsi que les modifications de structure (corrosion, décollement,…). Cependant, cette mesure de distance est délicate puisqu'une résolution de l'ordre du micromètre est recherchée alors que la dimension de l'espace inter-plaques est proche du millimètre. Les contraintes d'accès sont également difficiles du fait que l'élément combustible est placé à environ 5 m sous la surface de l'eau. En outre, tous les systèmes sont soumis à de fortes radiations. Basés sur des méthodes magnétiques, capacitives ou optiques, des dispositifs permettent aujourd'hui de mesurer des distances avec une résolution nanométrique et avec des fonctionnalités pouvant être adaptées dans des conditions de températures et de pression difficiles. Ces méthodes ne peuvent cependant pas être appliquées à des systèmes fortement radiatifs ou en immersion. Afin de répondre à cette problématique, deux transducteurs ultrasonores fonctionnant en émission-réceptions ont été conçus, étudiés et ensuite développés dans le cadre de cette thèse. Ces transducteurs sont montés sur une lame en acier inoxydable de 1 mm d'épaisseur afin d'autoriser l'accès à l'espace inter-plaques. Du fait de la haute résolution recherchée, les transducteurs sont excités à une fréquence au-delà de 120 MHz et intégrés dans un ensemble d'instruments de mesure comprenant un système d'acquisition haute fréquence, un traitement de signal de haute précision et une électronique spécifique développée pour améliorer le signal d'excitation.Connaissant la vitesse du son dans l'eau et l'épaisseur de la lame, les transducteurs mesurent la distance inter-plaque à partir de la détermination du temps de vol entre l'émission d'un pulse ultrasonore et la réception des échos réfléchis sur la surface de chacune des plaques. Deux expériences in-situ conduisant à une série de mesure de distance inter-plaque ont été réalisées au sein de l'élément combustible irradié du réacteur à haut flux.