eSpace Collection: Theses repository

A CROSS-LANGUAGE FRAMEWORK FOR MALICIOUS SCRIPT DEOBFUSCATION

2026-04-28T00:00:00Z

Title: A CROSS-LANGUAGE FRAMEWORK FOR MALICIOUS SCRIPT DEOBFUSCATION Authors: Lu, Weijia Abstract: Syntax Analysis, the process of parsing code sequences into an intermediate representation, is a critical procedure within the malware deobfuscation pipeline, bringing grammatically defined hierarchical structure to seemingly random sequences of obfuscated characters. Modern efforts to perform this analytical procedure are restricted to traditional parsers that rely on static grammatical rules, thereby contributing to a fragmented landscape of tools with narrow applications. The aim of this research is to evaluate the effectiveness of the transformer architecture to perform syntax analysis on malicious scripts. To this end, the Transformer-based Robust Island Parser (TRIP) is introduced, a cross-language framework designed around heuristic-driven fragmentation and neural inference parsing of obfuscated code. In the modern machine learning landscape, transformer models such as TreeBERT and AST-T5 have demonstrated code understanding and generation capabilities by accurately mapping programming language syntax and semantics. This research explores the application of this structural awareness towards the neural inference of an intermediate representation of code. Results demonstrate that the transformer achieved superior robustness in parsing fragmented code when compared against traditional parsing solutions, especially for JavaScript, while presenting a unified cross-language output format to simplify analysis.; L'analyse syntaxique, le processus d'analyse de séquences de code en une représentation intermédiaire, est une procédure critique au sein du pipeline de déobfuscation des logiciels malveillants, apportant une structure hiérarchique définie grammaticalement à des séquences apparemment aléatoires de caractères obscurcis. Les efforts modernes pour effectuer cette procédure analytique sont limités aux analyseurs traditionnels qui s'appuient sur des règles grammaticales statiques, contribuant ainsi à un paysage fragmenté d'outils aux domaines d'application restreints. L'objectif de cette recherche est d'évaluer l'efficacité de l'architecture Transformer pour effectuer l'analyse syntaxique des scripts malveillants. À cette fin, le Transformer-based Robust Island Parser (TRIP) est présenté, un cadre inter-langage conçu autour de la fragmentation heuristique et de l'analyse syntaxique par inférence neuronale du code obscurci. Dans le paysage actuel de l'apprentissage automatique, les modèles de transformateurs tels que TreeBERT et AST-T5 ont démontré leurs capacités de compréhension et de génération de code en cartographiant avec précision la syntaxe et la sémantique des langages de programmation. Cette recherche explore l'application de cette conscience structurelle à l'inférence neuronale d'une représentation intermédiaire du code. Les résultats démontrent que le transformateur a atteint une robustesse supérieure dans l'analyse du code fragmenté par rapport aux solutions d'analyse traditionnelles, en particulier pour JavaScript, tout en présentant un format de sortie inter-langage unifié pour simplifier l'analyse.

Reconfigurable Intelligent Surface Aided 3D Localization Using Reinforcement Learning

2026-04-21T00:00:00Z

Title: Reconfigurable Intelligent Surface Aided 3D Localization Using Reinforcement Learning Authors: Horobetz, Joseph Abstract: Global Navigation Satellite Systems (GNSS) provide highly accurate positioning, navigation, and timing. Still, their performance degrades in contested, urban, and indoor environments due to denial and non-line-of-sight conditions. To address this challenge, Reconfigurable Intelligence Surfaces (RIS) offer a potential low-cost, energy-efficient solution for GNSS-denied and non-line-of-sight-assisted localization. RISs consist of passive reflective elements that manipulate the signal propagation path by altering the phase of an incident wave, thereby improving network coverage. These features make RISs a compelling technology for enhancing wireless systems in both civilian and defense applications. For military aircraft and Unmanned Aerial Vehicles (UAVs), RIS-based electromagnetic large apertures (ELAs) can be integrated into vehicle surfaces to significantly enhance communication reliability, target sensing, and overall situational awareness. This work proposes using Reinforcement Learning (RL) to optimize RIS-aided three-dimensional localization via a power maximization approach. Traditional optimization and estimation approaches for RIS-aided localization suffer from high computational complexity and degrade performance in complex, changing environments. RL offers adaptability by enabling an agent to learn about the environment through interaction, reducing reliance on assumptions required for rigid traditional approaches. This research will first compare traditional algorithms, such as Beam Sweep Grid Search (BSGS), with RL-aided RIS localization in a simulated environment. Building on these results, real-world vehicle trajectory data in a GNSS-denied environment will be used to validate the RL approach. Finally, the developed methodology will be tested in the RMC’s RIS laboratory using millimeter-wave (mmWave) TMYTEK RISs. The results of this research demonstrate the feasibility and advantages of configuring the RIS through Reinforcement Learning for accurate, low complexity, and adaptive localization in nosy, multipath and dynamic channels. The proposed RL based framework enables efficient RIS configurations using received power measurements alone, eliminating the need for complex channel state information estimation. Through simulation, real-world trajectory evaluation, and experimental validation with mmWave RIS hardware, the approach is shown to achieve reliable localization performance in GNSS-denied conditions. These results highlight the potential of RL-enabled RIS systems to support robust and secure localization in challenging environments.; Les systèmes mondiaux de navigation par satellite (GNSS) fournissent un positionnement, une navigation et une synchronisation extrêmement précis. Cependant, leurs performances se dégradent dans les environnements contestés, urbains et intérieurs, en raison du déni et de l'absence de ligne de visée. Pour relever ce défi, les surfaces intelligentes reconfigurables (RIS) offrent une solution potentiellement peu coûteuse et économe en énergie pour la localisation assistée sans GNSS ni ligne de visée. Les RISs sont constituées d'éléments réfléchissants passifs qui manipulent le trajet de propagation d'un signal en modifiant la phase d'une onde incidente, ce qui permet d'améliorer la couverture du réseau. Ces caractéristiques font des RIS une technologie prometteuse pour améliorer les systèmes sans fil dans les applications civiles et militaires. Pour les avions militaires et les véhicules aériens sans pilote (UAV), les grandes ouvertures électromagnétiques (ELA) basées sur les RIS peuvent être intégrées à la surface de ces véhicules afin d'améliorer considérablement la fiabilité des communications, la détection des cibles et la connaissance globale de la situation. Ce travail propose d'utiliser l'apprentissage par renforcement (RL) pour optimiser la localisation tridimensionnelle assistée par RIS à l'aide d'une approche de maximisation de la puissance. Les approches traditionnelles d'optimisation et d'estimation pour la localisation assistée par RIS souffrent d'une grande complexité computationnelle et présentent des performances dégradées dans des environnements complexes et changeants. L'apprentissage par renforcement offre une adaptabilité en permettant à un agent d'apprendre à connaître l'environnement par interaction, réduisant ainsi la dépendance aux hypothèses requises par les approches traditionnelles rigides. Cette recherche comparera d'abord les algorithmes traditionnels, tels que la recherche par balayage de grille (BSGS), à la localisation assistée par RIS avec apprentissage par renforcement dans un environnement simulé. Sur la base de ces résultats, des données réelles sur la trajectoire des véhicules dans un environnement sans GNSS seront utilisées pour valider l'approche RL. Enfin, la méthodologie développée sera testée dans le laboratoire RIS du CMR à l'aide d'un RIS TMYTEK à ondes millimétriques (mmWave). Les résultats de cette recherche démontrent la faisabilité et les avantages de la configuration du RIS par apprentissage par renforcement pour une localisation précise, peu complexe et adaptative dans des canaux bruyants, à trajets multiples et dynamiques. Le cadre proposé, basé sur l'apprentissage par renforcement, permet des configurations efficaces du RIS en utilisant uniquement les mesures de puissance reçue, éliminant ainsi le besoin d'une estimation complexe de l'état du canal. Grâce à des simulations, à l'évaluation de trajectoires en conditions réelles et à une validation expérimentale avec du matériel RIS mmWave, cette approche s'avère capable d'atteindre des performances de localisation fiables dans des conditions où le GNSS est indisponible. Ces résultats soulignent le potentiel des systèmes RIS basés sur l'apprentissage par renforcement pour assurer une localisation robuste et sécurisée dans des environnements difficiles.

Irradiation‑Induced Solvated Electron Production for the Degradation of Perfluorooctanoic Acid in an Aqueous System An Application of the Mixed Radiation Field Produced by the RMC SLOWPOKE 2 Nuclear Reactor

2026-04-17T00:00:00Z

Title: Irradiation‑Induced Solvated Electron Production for the Degradation of Perfluorooctanoic Acid in an Aqueous System An Application of the Mixed Radiation Field Produced by the RMC SLOWPOKE 2 Nuclear Reactor Authors: Gauthier, Tristan Marcellin Abstract: Per- and polyfluoroalkyl substances (PFAS) are synthetic chemicals of uniquely persistent and resistant properties. While PFAS have many industrial applications, they have seeped into soil and water bodies across Canada, prompting national guidelines regulating allowable concentrations in the environment. Effective PFAS remediation technologies are required to capture and destroy these molecules. Recent studies have shown reduction reactions to be effective in destroying certain PFAS. Previous studies have found that solvated electrons (e solv) are the key reactive species for initiating PFAS degradation reactions. The mixed radiation field generated by the RMC SLOWPOKE 2 nuclear reactor, a source of e solv in solution, was employed to investigate the degradation of perfluorooctanoic acid (PFOA), a widely encountered PFAS compound. Monte Carlo N Particle (MCNP) nuclear transport modelling software was used to predict neutron, photon, and electron dose rates in the inner, outer and pool irradiation sites of the RMC SLOWPOKE 2 nuclear reactor. The radiation fields present in each site are unique in composition (neutron to photon dose ratio) and dose rate (MeV·s-1). These simulated dose rates were combined with g values from literature (for both water and methanol solutions) to calculate the e solv production rates in each irradiation site. An experimental method of quantifying the e solv yields within the different irradiation sites was investigated. 2,2-Diphenyl-1-picrylhydrazyl (DPPH·) was selected because it is a e solv scavenger that has been applied towards similar goals in other reducing systems. The aim was to determine the viability of DPPH· in the SLOWPOKE 2 radiation fields before applying the scavenger to benchmarking experiments. Results from ultraviolet and visible light spectroscopy (UV-Vis) and ultra high performance liquid chromatography-quadrupole mass spectrometer (UHPLC-MS/MS) found that, even in short periods of SLOWPOKE 2 irradiation, DPPH· degrades to picric acid. Thus, DPPH· was deemed nonviable to quantify e solv concentrations for the RMC SLOWPOKE 2 irradiation experiments when operating at nominal half power (10 kWt). PFOA samples were irradiated to assess its degradation relative to the concentration of e solv in the samples. Removing dissolved oxygen (DO) from samples (< 0.4 % DO) resulted in 40 ± 10 % more PFOA degradation than samples with 100 % DO, as DO scavenges e solv . Experiments in the different irradiation sites (i.e., the inner, outer, and pool) reduced PFOA concentrations by approximately 15 % despite the differences in radiation field composition and rates. These results point to PFOA degradation depending predominantly on e solv concentration rather than the radiation dose rate, type of radiation, and/or duration of irradiation. However, further irradiation/ e solv production (within operational limits of reactor usage) found a degradation plateau. UHPLC-MS/MS analysis determined that PFOA degraded, in part, to shorter carbon-chain PFAS species, which accounted for the plateau (as e solv are known to preferentially attack these shorter carbon-chain PFAS species compared to PFOA when in mixed solutions). The results of PFOA irradiation provide valuable insights into several aspects of remediation, namely: i) substantiating the degradation mechanism, ii) demonstrating that degradation rates are primarily governed by e solv concentration rather than the electron source, and iii) confirming that reducing DO content in samples enhances degradation during irradiation at the RMC SLOWPOKE‑2 nuclear reactor.; Les substances per- et polyfluoroalkylées (PFAS) sont des produits chimiques synthétiques dotés de propriétés de persistance et de résistance exceptionnelles. Bien que les PFAS aient de nombreuses applications industrielles, elles se sont infiltrées dans les sols et les masses d'eau à travers le Canada, ce qui a incité le gouvernement à établir des directives nationales sur les concentrations acceptables dans l'environnement. Des technologies efficaces de remédiation des PFAS sont nécessaires pour capturer et détruire ces molécules. Des études récentes démontrent l'efficacité des réactions de réduction pour détruire certains PFAS. Des travaux antérieurs ont montré que les électrons solvatés (e solv) constituent les espèces réactives clés pour déclencher les réactions de dégradation des PFAS. Dans cette thèse, le champ de rayonnement mixte généré par le réacteur nucléaire SLOWPOKE 2, responsable de la production d’e solv en solution, a été utilisé pour étudier la dégradation de l'acide perfluorooctanoïque (PFOA), un composé PFAS très répandu. Le logiciel de modélisation du transport nucléaire Monte Carlo N Particle (MCNP) a été utilisé pour prédire les débits de dose de neutrons, de photons et d'électrons dans les sites d'irradiation interne, externe et dans le bassin du réacteur nucléaire SLOWPOKE 2 au CMR. Les champs de rayonnement présents dans chaque site sont uniques en termes de composition (rapport dose de neutrons/dose de photons) et de taux de dose (MeV·s⁻¹). Ces taux de dose simulés ont été combinés avec les valeurs g publiées dans la littérature (pour les solutions d'eau et de méthanol) afin de calculer les rendements de production d’e solv dans chaque site d'irradiation. Cette thèse a également tenté de quantifier expérimentalement les rendements en e solv au sein des différents sites d'irradiation. Le 2,2-diphényl-1-picrylhydrazyle (DPPH·) a été sélectionné car il s'agit d'un piégeur d’ e solv utilisé auparavant pour la quantification des électrons solvatés dans d'autres systèmes en conditions réductrices. Cette thèse visait à déterminer la viabilité du DPPH· dans les champs de rayonnement de SLOWPOKE 2 avant d'appliquer le piégeur à des expériences de référence. Les résultats de la spectroscopie dans l'ultraviolet et le visible (UV-Vis) et de la chromatographie liquide ultra haute performance couplée à un spectromètre de masse quadripolaire (UHPLC-MS/MS) ont montré que, même après des périodes courtes d'irradiation par SLOWPOKE 2, le DPPH· se dégrade en acide picrique. Le DPPH· a donc été jugé inapproprié pour quantifier les concentrations d'e solv dans les expériences d'irradiation du réacteur SLOWPOKE 2 au CMR lorsqu'il fonctionne à la moitié de sa puissance nominale (10 kWt). Parallèlement aux irradiations du DPPH·, le PFOA a également été irradié afin d'évaluer sa dégradation en fonction de la concentration en e solv dans les échantillons. L'élimination de l'oxygène dissous (OD) des échantillons (< 0,4 % d'OD) a entraîné une dégradation du PFOA supérieure de 40 ± 10 % à celle observée dans les échantillons contenant 100 % d'OD, car l'OD piège les e solv. Les expériences menées sur chaque site d'irradiation (c'est-à-dire l'intérieur, l'extérieur et le bassin) ont permis de réduire les concentrations de PFOA d'environ 15 %, malgré les différences de composition et de débits du champ de rayonnement. Ces résultats indiquent que la dégradation du PFOA dépend principalement de la concentration en e solv plutôt que du taux de dose de rayonnement, du type de rayonnement et/ou de la durée de l'irradiation. Cependant, une irradiation supplémentaire et une production supérieure d'e solv (dans les limites opérationnelles d'utilisation du réacteur) ont révélé un plateau de dégradation. L'analyse UHPLC-MS/MS a déterminé que le PFOA se dégradait, en partie, en espèces de PFAS à chaîne carbonée plus courte, ce qui expliquait ce plateau (car on sait que les e solv attaquent préférentiellement ces espèces de PFAS à chaîne carbonée plus courte par rapport au PFOA lorsqu'ils se trouvent dans des solutions mixtes). Les résultats de l'irradiation au PFOA apportent des informations précieuses sur plusieurs aspects de la remédiation, notamment : i) la justification du mécanisme de dégradation, ii) la démonstration que les taux de dégradation dépendent principalement de la concentration d'e solv plutôt que de la source d'électrons, et iii) la confirmation que la réduction d'oxygène dissous dans les échantillons favorise la dégradation lors de l'irradiation au réacteur nucléaire SLOWPOKE 2 au CMR.

DEEP LEARNING FOR RF FINGERPRINTING From Statistical Enhancement to Scalable Architectures for Wireless Security

2026-04-17T00:00:00Z

Title: DEEP LEARNING FOR RF FINGERPRINTING From Statistical Enhancement to Scalable Architectures for Wireless Security Authors: Quadar, Nordine Abstract: RF fingerprinting offers a way to authenticate wireless devices based on their unique hardware characteristics at the physical layer, without relying on cryptographic credentials. However, after almost two decades of research, practical deployment remains limited. Our analysis of over 40 recent studies reveals a consistent pattern: systems that achieve above 95% accuracy in the laboratory suffer 20–70% accuracy drops under realistic conditions, scale poorly beyond 20–30 devices, and cannot detect unknown devices. In this thesis, we address these limitations through four complementary approaches. We first develop a statistical feature enhancement framework that combines magnitude, phase, power, entropy, and spectral features to reach 99.6% same-day accuracy while improving cross-day performance from 37.5% to 52.1%. We then introduce cyclostationary feature engineering that captures periodic statistical properties in communication signals, reaching 85.9% crosstransmission accuracy with 38% memory reduction through progressive learning. To handle mobility, we design a CNN-LSTM-Attention architecture that maintains 85.8% accuracy under 100Hz Doppler shift conditions typical of UAV operations. Finally, our MDAE-Transformer architecture shifts from classification to embedding-based identification, reaching 92.9% crossday accuracy and 75.2% at the 80-device scale with near-constant inference latency, while providing architectural support for open-set recognition through reconstruction-based anomaly detection. We evaluate all approaches across six datasets spanning WiFi, LoRa, UAV controllers, and Bluetooth protocols. Our comparative analysis shows that no single approach dominates all scenarios; method selection depends on operational requirements. Statistical enhancement suits controlled environments, cyclostationary features handle transmission parameter variations, temporal modeling addresses mobility, and the MDAE-Transformer supports large-scale deployment with better temporal adaptation. This work moves RF fingerprinting closer to operational deployment and provides foundations for physical-layer security in next-generation wireless networks, particularly for UAV communications and IoT security where cryptographic approaches alone prove insufficient.; L’identification par empreinte radiofréquence (RF) permet d’authentifier les dispositifs sans fil à partir de leurs caractéristiques matérielles uniques au niveau de la couche physique, sans dépendre des mécanismes cryptographiques. Cependant, après près de deux décennies de recherche, le déploiement pratique reste limité. Notre analyse de plus de 40 études récentes révèle un constat rècurrent : les systèmes qui atteignent plus de 95% de précision en laboratoire subissent des chutes de 20 à 70% en conditions réalistes, passent mal à l’´echelle au-delà de 20–30 dispositifs, et ne peuvent pas détecter les dispositifs inconnus. Dans cette thèse, nous abordons ces limitations à travers quatre approches complémentaires. Nous développons d’abord un cadre d’amélioration statistique qui combine des caractéristiques de magnitude, phase, puissance, entropie et spectre pour atteindre 99,6% de précision le même jour tout en améliorant les performances inter-journalières de 37,5% à 52,1%. Nous introduisons ensuite l’ingénierie de caractéristiques cyclostationnaires qui capture les propriétés statistiques périodiques des signaux de communication, atteignant 85,9% de précision inter-transmission avec une réduction de mémoire de 38% grâce à l’apprentissage progressif. Pour répondre aux défis de mobilité, nous concevons une architecture CNN-LSTM-Attention qui maintient 85,8% de précision dans des conditions de décalage Doppler de 100Hz typiques des opérations de drones. Enfin, notre architecture MDAE-Transformer passe de la classification à l’identification par représentations vectorielles, atteignant 92,9% de précision inter-journalière et 75,2% à l’échelle de 80 dispositifs avec une latence d’inférence quasi constante, tout en offrant un support architectural pour la reconnaissance en ensemble ouvert par détection d’anomalies basée sur la reconstruction. Nous évaluons toutes les approches sur six ensembles de données couvrant les protocoles WiFi, LoRa, contrôleurs de drones et Bluetooth. Notre analyse comparative montre qu’aucune approche unique ne domine tous les scénarios; le choix de la méthode dépend des exigences opérationnelles. L’amélioration statistique convient aux environnements contrôlés, les caractéristiques cyclostationnaires gèrent les variations de paramètres de transmission, la modélisation temporelle traite la mobilité, et le MDAE-Transformer supporte le déploiement à grande échelle avec une meilleure adaptation temporelle. Ce travail rapproche l’empreinte RF du déploiement opérationnel et pose les bases de la sécurité au niveau physique dans les réseaux sans fil de nouvelle génération, particulièrement pour les communications de drones et la sécurité IoT où les approches cryptographiques seules s’avèrent insuffisantes.