Dans cette thèse nous avons étudié la diffusion de l'information dans les grands graphes de terrain, en se focalisant sur les patterns structurels de la propagation. Sur le plan empirique, il s'est avéré difficile de capturer la structure des cascades de diffusion en termes de mesures simples. Sur le plan théorique, l'approche classique consiste à étudier des modèles stochastiques de contagion. Néanmoins, l'analyse formelle de ces modèles reste limité, car les graphes de terrain ont généralement une topologie complexe et le processus de diffusion se produit dans une fenêtre de temps limitée. Par conséquent, une meilleure compréhension des données empiriques, des modèles théoriques et du lien entre les deux est également cruciale pour la caractérisation de la diffusion dans les grands graphes de terrain. Après un état de l'art sur les graphes de terrain et la diffusion dans ce contexte au premier chapitre, nous décrivons notre jeu de données et discutons sa pertinence au chapitre 2. Ensuite, dans le chapitre 3, nous évaluons la pertinence du modèle SIR simple et de deux extensions qui prennent en compte des hétérogénéités de notre jeu de données. Dans le chapitre 4, nous explorons la prise en compte du temps dans l'évolution du réseau sous-jacent et dans le modèle de diffusion. Dans le chapitre 5, nous évaluons l'impacte de la structure du graphe sous-jacent sur la structure des cascades de diffusion générées avec les modèles étudiés dans les chapitres précédents. Nous terminons la thèse par un bilan des résultats et des perspectives ouvertes par les travaux menés dans cette thèse. / Understanding information diffusion on complex networks is a key issue from a theoretical and applied perspective. Epidemiology-inspired SIR models have been proposed to model information diffusion. Recent papers have analyzed this question from a data-driven perspective. We complement these findings investigating if epidemic models calibrate with a systematic procedure are capable of reproducing key spreading cascade properties. We first identify a large-scale, rich dataset from which we can reconstruct the diffusion trail and the underlying network. Secondly, we examine the simple SIR model as a baseline model and conclude that it was unable to generate structurally realistic spreading cascades. We found the same result examining model extensions to which take into account heterogeneities observed in the data. In contrast, other models which take into account time patterns available in the data generate qualitatively more similar cascades. Although one key property was not reproduced in any model, this result highlights the importance of taking time patterns into account. We have also analyzed the impact of the underlying network structure on the models examined. In our data the observed cascades were constrained in time, so we could not rely on the theoretical results relating the asymptotic behavior of the epidemic and network topological features. Performing simulations we assessed the impact of these common topological properties in time-bounded epidemic and identified that the distribution of neighbors of seed nodes had the most impact among the investigated properties in our context. We conclude discussing identifying perspectives opened by this work.

Alors que les réseaux sociaux s'attachent à représenter des entités et les relations existant entre elles, les réseaux d'information intègrent également des attributs décrivant ces entités ; ce qui conduit à revisiter les méthodes d'analyse et de fouille de ces réseaux. Dans ces travaux, nous proposons des méthodes de classification des entités du réseau d'information qui exploitent d'une part les relations entre celles-ci et d'autre part les attributs les caractérisant. Nous nous penchons sur le cas des réseaux à vecteurs d'attributs, où les entités du réseau sont décrites par des vecteurs numériques. Ainsi nous proposons des approches basées sur des techniques reconnues pour chaque type d'information, faisant appel notamment à l'inertie pour la classification automatique et à la modularité de Newman et Girvan pour la détection de communautés. Nous évaluons nos propositions sur des réseaux issus de données bibliographiques, faisant usage en particulier d'information textuelle. Nous évaluons également nos approches face à diverses évolutions du réseau, notamment au regard d'une détérioration des informations des liens et des attributs, et nous caractérisons la robustesse de nos méthodes à celle-ci / While social networks use to represent entities and relationships between them, information networks also include attributes describing these entities, leading to review the analysis and mining methods for these networks. In this work, we discuss classification of the entities in an information network. Classification operate simultaneously on the relationships and on the attributes characterizing the entities. We look at the case of attributed graphs where entities are described by numerical feature vectors. We propose approaches based on proven classification techniques for each type of information, including the inertia for machine learning and Newman and Girvan's modularity for community detection. We evaluate our proposals on networks from bibliographic data, using textual information. We also evaluate our methods against various changes in the network, such as a deterioration of the relational or vector data, mesuring the robustness of our methods to them

Dans cette étude, nous produisons une analyse des réseaux de transport publics (acronyme PTN en anglais) en combinant des outils de la théorie des réseaux complexes, des simulations numériques et des approches analytiques. Nous avons commencé par une analyse empirique des PTN de 14 villes importantes dans le monde et en avons déterminé les principales caractéristiques en termes de réseaux complexes. Cette apporche empirique montre que les PTN apparaissent comme des réseaux ("small world") fortement corrélés avec des "coefficients d'agrégation" élevés et des "distances les plus courtes moyennes" comparativement faibles. Nous avons ensuite introduit divers modèles de PTN à 1 et 2 dimensions. Nous avons poursuivi cette étude en examinant la résistance des PTN à divers scénarios d?attaques, ce qui permet de définir des critères de robustesse des réseaux considérés / In this study, we have performed a comprehensive analysis of public transport networks(PTN) combining tools of complex network theory, computer modelling, and analytical calculations. We have started from an empirical analysis of the PTN of 14 major cities of the world and have determined their principal characteristics in terms of the complex network theory. Our empirical analysis gives a strong evidence, that the networks under consideration appear to be strongly correlated small-world structures with high values of clustering coefficients and comparatively low mean shortest path values. We further have introduced several PTN models. This was done both in 2d and 1d embedding spaces. We continued our analysis by studying the behavior of PTN under attacks. This enabled us to propose criteria that allow an a priori estimate of PTN robustness

Ces dernières années, la puissance croissante des ordinateurs a permis à la fois de rassembler une quantité sans précédent de données décrivant la société moderne et d'envisager des outils numériques capables de s'attaquer à l'analyse et la modélisation les processus dynamiques qui se déroulent dans cette réalité complexe. Dans cette perspective, l'approche quantitative de la physique est un des catalyseurs de la croissance de nouveaux domaines interdisciplinaires visant à la compréhension des systèmes complexes techno-sociaux. Dans cette thèse, nous présentons dans cette thèse un cadre théorique et numérique pour simuler des épidémies de maladies infectieuses émergentes dans des contextes réalistes. Dans ce but, nous utilisons le rôle crucial de la mobilité des agents dans la diffusion des maladies infectieuses et nous nous appuyons sur l'étude des réseaux complexes pour gérer les ensembles de données à grande échelle décrivant les interconnexions de la population mondiale. En particulier, nous abordons deux différents problèmes de santé publique. Tout d'abord, nous considérons la propagation d’une épidémie au niveau mondial, et présentons un modèle de mobilité (GLEAM) conçu pour simuler la propagation d'une maladie de type grippal à l'échelle globale, en intégrant des données réelles de mobilité dans le monde entier. La dernière pandémie de grippe H1N1 2009 a démontré la nécessité de modèles mathématiques pour fournir des prévisions épidémiques et évaluer l'efficacité des politiques d'interventions. Dans cette perspective, nous présentons les résultats obtenus en temps réel pendant le déroulement de l'épidémie, ainsi qu'une analyse a posteriori portant sur les stratégies de lutte et sur la validation du modèle. Le deuxième problème que nous abordons est lié à la propagation de l'épidémie sur des systèmes en réseau dépendant du temps. En particulier, nous analysons des données décrivant les mouvements du bétail en Italie afin de caractériser les corrélations temporelles et les propriétés statistiques qui régissent ce système. Nous étudions ensuite la propagation d'une maladie infectieuse, en vue de caractériser la vulnérabilité du système et de concevoir des stratégies de contrôle. Ce travail est une approche interdisciplinaire qui combine les techniques de la physique statistique et de l'analyse des systèmes complexes dans le contexte de la mobilité des agents et de l'épidémiologie numérique. / In recent years, the increasing availability of computer power has enabled both to gather an unprecedented amount of data depicting the global interconnections of the modern society and to envision computational tools able to tackle the analysis and the modeling of dynamical processes unfolding on such a complex reality. In this perspective, the quantitative approach of Physics is catalyzing the growth of new interdisciplinary fields aimed at the understanding of complex techno-socio-ecological systems. By recognizing the crucial role of host mobility in the dissemination of infectious diseases and by leveraging on a network science approach to handle the large scale datasets describing the global interconnectivity, in this thesis we present a theoretical and computational framework to simulate epidemics of emerging infectious diseases in real settings. In particular we will tackle two different public health related issues. First, we present a Global Epidemic and Mobility model (GLEaM) that is designed to simulate the spreading of an influenza-like illness at the global scale integrating real world-wide mobility data. The 2009 H1N1 pandemic demonstrated the need of mathematical models to provide epidemic forecasts and to assess the effectiveness of different intervention policies. In this perspective we present the results achieved in real time during the unfolding of the epidemic and a posteriori analysis on travel related mitigation strategies and model validation. The second problem that we address is related to the epidemic spreading on evolving networked systems. In particular we analyze a detailed dataset of livestock movements in order to characterize the temporal correlations and the statistical properties governing the system. We then study an infectious disease spreading, in order to characterize the vulnerability of the system and to design novel control strategies. This work is an interdisciplinary approach that merges statistical physics techniques, complex and multiscale system analysis in the context of hosts mobility and computational epidemiology.

Les contacts face-à-face entre individus permettent de caractériser les réseaux sociaux et jouent un rôle prépondérant dans la compréhension des mécanismes de propagation des épidémies dans une population. De récentes avancées technologiques ont rendu possible l'acquisition de données précises sur les interactions humaines. Cette thèse présente, dans un premier temps, l'analyse de données de contacts collectées trois années de suite (2011, 2012 et 2013) dans un lycée français entre des étudiants de classes préparatoires. L'analyse a montré que la plupart des contacts se produisent entre étudiants de même classe et que les structures des contacts sont très similaires d'un jour sur l'autre. Dans un second temps, on compare différentes méthodes de collecte de données qui permettent d'obtenir des informations de nature différente (par exemple existence d'un contact face-à-face vs existence d'une amitié).L'utilisation de données rapportant les amitiés entre les étudiants ne permet pas d'obtenir une bonne estimation du réseau de contact (i.e., les amitiés ne correspondent pas forcément à des contacts face-à-face et vice versa) résultant en une sous-estimation du risque épidémique dans cette population.Dans la dernière partie, nous essayons de reproduire les biais provenant du réseau d'amitié en échantillonnant le réseau de contact. Ceci pourrait nous donner des indications sur comment compenser ces biais et comment utiliser des données incomplètes pour obtenir des prédictions fiables sur le risque épidémique. / Face-to-face contacts between individuals contribute to shape social networks and play an important role in determining how infectious diseases can spread within a population. Recently, technological advances have made it possible to obtain accurate data on human interactions.This thesis first presents the analysis of contact data collected three years in a row (2011, 2012 and 2013) in a French high school among students of "classes préparatoires" (i.e., studies taking place after high school and preparing for admission to higher education colleges). The analysis showed that most contacts occur within students of same classes and that contact patterns are very similar from one day to the next.Then, we compare different methods of data collection which allow to gather information of different nature (for instance existence of a face-to-face contact vs existence of a friendship).The use of data reporting friendships does not allow to obtain a good estimation of the contact network (i.e., friendships do not correspond necessarily to face-to-face contacts and vice versa) resulting in an underestimation of the epidemic risk in that population.Finally, we try to reproduce the biases coming from the friendship network by sampling the contact network. This might give hints on how to compensate these biases and how to use the information contained in incomplete data sets to obtain accurate predictions of the epidemic risk.

Les réseaux complexes constituent un outil pratique pour modéliser les systèmes complexes réels. Pour cette raison, ils sont devenus très populaires au cours de la dernière décennie. De nombreux outils existent pour étudier les réseaux complexes. Parmi ceux-ci, la détection de la communauté est l’un des plus importants. Une communauté est grossièrement définie comme un groupe de nœuds plus densément connectés entre eux qu’avec le reste du réseau. Dans la littérature, cette définition intuitive a été formalisée de plusieurs différentes façons, ce qui a conduit à d’innombrables méthodes et variantes permettant de les détecter. Du point de vue applicatif, le sens des communautés est aussi important que leur détection. Cependant, bien que la tâche de détection de communautés en elle-même ait attiré énormément d’attention, le problème de leur interprétation n’a pas été sérieusement abordé jusqu’à présent. Dans cette thèse, nous voyons l’interprétation des communautés comme un problème indépendant du processus de leur détection, consistant à identifier les éléments leurs caractéristiques les plus typiques. Nous le décomposons en deux sous-problèmes : 1) trouver un moyen approprié pour représenter une communauté ; et 2) sélectionner de façon objective les parties les plus caractéristiques de cette représentation. Pour résoudre ces deux sous-problèmes, nous exploitons l’information encodée dans les réseaux dynamiques attribués. Nous proposons une nouvelle représentation des communautés sous la forme de séquences temporelles de descripteurs associés à chaque nœud individuellement. Ces descripteurs peuvent être des mesures topologiques et des attributs nodaux. Nous détectons ensuite les motifs séquentiels émergents dans cet ensemble de données, afin d’identifier les ceux qui sont les plus caractéristiques de la communauté. Nous effectuons une validation de notre procédé sur des réseaux attribués dynamiques générés artificiellement. A cette occasion, nous étudions son comportement relativement à des changements structurels de la structure de communautés, à des modifications des valeurs des attributs. Nous appliquons également notre procédé à deux systèmes du monde réel : un réseau de collaborations scientifiques issu de DBLP, et un réseau d’interactions sociales et musicales tiré du service LastFM. Nos résultats montrent que les communautés détectées ne sont pas complètement homogènes. Certaines communautés sont composées de petits groupes de nœuds qui ont tendance à évoluer ensemble au cours du temps, que ce soit en termes de propriétés individuelles ou collectives. Les anomalies détectées correspondent généralement à des profils typiques : nœuds mal placés par l’outil de détection de communautés, ou nœuds différant des tendances de leur communautés sur certains points, et/ou non-synchrones avec l’évolution de leur communauté, ou encore nœuds complètement différents. / Complex Networks constitute a convenient tool to model real-world complex systems. For this reason, they have become very popular in the last decade. Many tools exist to study complex networks. Among them, community detection is one of the most important. A community is roughly defined as a group of nodes more connected internally than to the rest of the network. In the literature, this intuitive definition has been formalized in many ways, leading to countless different methods and variants to detect communities. In the large majority of cases, the result of these methods is set of node groups in which each node group corresponds to a community. From the applicative point of view, the meaning of these groups is as important as their detection. However, although the task of detecting communities in itself took a lot of attraction, the problem of interpreting them has not been properly tackled until now. In this thesis, we see the interpretation of communities as a problem independent from the community detection process, consisting in identifying the most characteristic features of communities. We break it down into two sub-problems: 1) finding an appropriate way to represent a community and 2) objectively selecting the most characteristic parts of this representation. To solve them, we take advantage of the information encoded in dynamic attributed networks. We propose a new representation of communities under the form of temporal sequences of topological measures and attribute values associated to individual nodes. We then look for emergent sequential patterns in this dataset, in order to identify the most characteristic community features. We perform a validation of our framework on artificially generated dynamic attributed networks. At this occasion, we study its behavior relatively to changes in the temporal evolution of the communities, and to the distribution and evolution of nodal features. We also apply our framework to real-world systems: a DBLP network of scientific collaborations, and a LastFM network of social and musical interactions. Our results show that the detected communities are not completely homogeneous, in the sense several node topic or interests can be identified for a given community. Some communities are composed of smaller groups of nodes which tend to evolve together as time goes by, be it in terms of individual (attributes, topological measures) or relational (community migration) features. The detected anomalies generally fit some generic profiles: nodes misplaced by the community detection tool, nodes relatively similar to their communities, but also significantly different on certain features and/or not synchronized with their community evolution, and finally nodes with completely different interests.

Pendant les 20 dernières années, les astrocytes, un type de cellules cérébrales ayant été jusque là relativement ignoré des neuroscientifiques, ont peu à peu gagné en notoriété grâce à de multiples découvertes. Contrairement aux neurones, ces cellules ne transmettent pas de signaux électriques mais communiquent par des changements intracellulaires de leurs concentrations en calcium. Des découvertes récentes semblent indiquer que, loin d'agir en autarcie, les astrocytes répondent à l'activité neuronale et sembleraient, bien que cela soit plus débattu, moduler la transmission synaptique par le relargage de molécules spécifiques appelées `gliotransmetteurs' (en référence aux neurotransmetteurs). Comme les neurones, les astrocytes forment des réseaux et communiquent leur activité calcique par diffusion d'un astrocyte à l'autre, formant ainsi de véritables vagues de calcium intercellulaires. Deux réseaux, de neuronnes et d'astrocytes, cohabitent ainsi dans le cerveau ; mais, alors que les réseaux de neuronnes ont fait l'objet de recherches expérimentales et théoriques, les réseaux d'astrocytes restent encore mal connus. Ainsi, il n'a été découvert que très récement que la topologie de ces réseaux pourrait s'averer plus complexe que la vision qui dominait jusqu'alors : celle d'un syncitium astrocytaire dépourvu de spécificités topologiques. Les travaux présentés dans cette thèse portent principalement sur l'effet que ces différentes topologies pourraient avoir sur la signalisation calcique astrocytaire. En effet, autant au niveau subcellulaire qu'inter-cellulaire, les mécanismes gouvernant l'activité calcique des astrocytes restent mals connus. Même dans le cas le plus documenté de la réponse somatique des astrocytes à une stimulation neuronale, les caractéristiques précises que la stimulation doit avoir pour évoquer une réponse des astrocytes sont inconnues. Il en est de même pour la transmission de vagues de calcium dans des réseaux d'astrocytes : on ignore encore les possibles effets de la complexité récemment documentée des réseaux d'astrocytes sur la propagation de ces vagues. Enfin, au niveau subcelulaire, les astrocytes possèdent une morphologie ramifiée extrèmement complexe qui possède elle-même une activité calcique. Les travaux présentés dans cette thèse utilisent des outils de modélisation et de simulation afin de déterminer les répercussions que l'organisation en réseaux des astrocytes pourrait avoir sur leurs dynamiques calciques. En résumé, nous proposons que la topologie des réseaux d'astrocytes a (1) des répercussion au niveau cellulaire, modulant la réponse des astrocytes à des stimulations neuronales ; (2) contrôle la propagation de vagues de calcium inter-astrocytaire en la favorisant lorsque les réseau sont peu couplés ; (3) joue un rôle important dans l’apparition de phénomènes de résonance stochastique. / Over the last 20 years, astrocytes, a hitherto under-investigated type of brain cells, have gradually rose to prominence owing to multiple experimental discoveries. In contrast with neurons, these cells do not propagate electrical signals but communicate instead through changes in their intracellular calcium concentration. Recent discoveries indicate that, far from being isolated cells, astrocytes respond to neuronal activity and, although this is still controversial, seem to modulate synaptic transmission through the release of `gliotransmitter' molecules (in reference to neurotransmitters). Like neurons, astrocyte are organized in networks and communicate their calcium activity by intercellular diffusion of second messengers, forming intercellular calcium waves. Two networks, one of neurons and the other of astrocytes, thus coexist in the brain; while neuronal networks have been the subject of intense experimental and theoretical investigations, astrocyte networks have been much less investigated. Notably, it was only discovered recently that astrocyte network topology could be more complex than what the hitherto dominant view held (astrocytes organized in a syncytium deprived of any topological specificities). The work presented in this thesis is mainly related to the effect that different network topologies could have on astrocyte calcium signaling. The mechanisms that drive calcium signaling in astrocytes are, at both subcellular and intercellular levels, still not completely understood. Even in the best documented case of astrocyte somatic response to neuronal stimulation, the precise characteristic required from the stimulation to elicit an astrocytic response are still unknown. Similarly, the mechanisms governing intercellular calcium wave propagation in astrocyte networks are not fully known; notably, the effects of the recently documented network heterogeneity on calcium wave propagation have not been investigated. Finally, at the subcellular level, astrocytes display an extremely ramified and complex morphology that also hosts calcium activity. The work presented in this thesis make use of modeling and simulation in order to determine the possible effects of astrocyte network organization on their calcium signaling. We propose that astrocyte network topology: (1) controls single-cell responses to neuronal stimulation; (2) drives the propagation of intercellular calcium waves by favoring it when networks are weakly coupled; (3) can determine the appearance of stochastic resonance phenomena; (4) can be modulated by neuronal activity.

Le sociologue Bourdieu définit le capital social comme : "L’ensemble des ressources actuelles ou potentielles qui sont liées à la possession d’un réseau durable de relations". Sur Twitter, les abonnements, mentions et retweets créent un réseau de relations pour chaque utilisateur dont les ressources sont l’obtention d’informations pertinentes, la possibilité d’être lu, d’assouvir un besoin narcissique, de diffuser efficacement des messages.Certains utilisateurs Twitter -appelés capitalistes sociaux - cherchent à maximiser leur nombre d’abonnements pour maximiser leur capital social. Nous introduisons leurs techniques, basées sur l’échange d’abonnements et l’utilisation de hashtags dédiés. Afin de mieux les étudier, nous détaillons tout d’abord une méthode pour détecter à l’échelle du réseau ces utilisateurs en se basant sur leurs abonnements et abonnés. Puis, nous montrons avec un compte Twitter automatisé que ces techniques permettent de gagner efficacement des abonnés et de se faire beaucoup retweeter. Nous établissons ensuite que ces dernières permettent également aux capitalistes sociaux d’occuper des positions qui leur accordent une bonne visibilité dans le réseau. De plus, ces méthodes rendent ces utilisateurs influents aux yeux des principaux outils de mesure. Nous mettons en place une méthode de classification supervisée pour détecter avec précision ces utilisateurs et ainsi produire un nouveau score d’influence. / Bourdieu, a sociologist, defines social capital as : "The set of current or potential ressources linked to the possession of a lasting relationships network". On Twitter,the friends, followers, users mentionned and retweeted are considered as the relationships network of each user, which ressources are the chance to get relevant information, to beread, to satisfy a narcissist need, to spread information or advertisements. We observethat some Twitter users that we call social capitalists aim to maximize their follower numbers to maximize their social capital. We introduce their methods, based on mutual subscriptions and dedicated hashtags. In order to study them, we first describe a large scaledetection method based on their set of followers and followees. Then, we show with an automated Twitter account that their methods allow to gain followers and to be retweeted efficiently. Afterwards, we bring to light that social capitalists methods allows these users to occupy specific positions in the network allowing them a high visibility.Furthermore, these methods make these users influent according to the major tools. Wethus set up a classification method to detect accurately these user and produce a newinfluence score.

Les travaux de cette thèse présentent le développement d'algorithmes de classification de documents d'une part, ou d'analyse de réseaux complexes d'autre part, en s'appuyant sur la prétopologie, une théorie qui modélise le concept de proximité. Le premier travail développe un cadre pour la classification de documents en combinant une approche de topicmodeling et la prétopologie. Notre contribution propose d'utiliser des distributions de sujets extraites à partir d'un traitement topic-modeling comme entrées pour des méthodes de classification. Dans cette approche, nous avons étudié deux aspects : déterminer une distance adaptée entre documents en étudiant la pertinence des mesures probabilistes et des mesures vectorielles, et effet réaliser des regroupements selon plusieurs critères en utilisant une pseudo-distance définie à partir de la prétopologie. Le deuxième travail introduit un cadre général de modélisation des Réseaux Complexes en développant une reformulation de la prétopologie stochastique, il propose également un modèle prétopologique de cascade d'informations comme modèle général de diffusion. De plus, nous avons proposé un modèle agent, Textual-ABM, pour analyser des réseaux complexes dynamiques associés à des informations textuelles en utilisant un modèle auteur-sujet et nous avons introduit le Textual-Homo-IC, un modèle de cascade indépendant de la ressemblance, dans lequel l'homophilie est fondée sur du contenu textuel obtenu par un topic-model. / The work of this thesis presents the development of algorithms for document classification on the one hand, or complex network analysis on the other hand, based on pretopology, a theory that models the concept of proximity. The first work develops a framework for document clustering by combining Topic Modeling and Pretopology. Our contribution proposes using topic distributions extracted from topic modeling treatment as input for classification methods. In this approach, we investigated two aspects: determine an appropriate distance between documents by studying the relevance of Probabilistic-Based and Vector-Based Measurements and effect groupings according to several criteria using a pseudo-distance defined from pretopology. The second work introduces a general framework for modeling Complex Networks by developing a reformulation of stochastic pretopology and proposes Pretopology Cascade Model as a general model for information diffusion. In addition, we proposed an agent-based model, Textual-ABM, to analyze complex dynamic networks associated with textual information using author-topic model and introduced Textual-Homo-IC, an independent cascade model of the resemblance, in which homophily is measured based on textual content obtained by utilizing Topic Modeling.

Les travaux de cette thèse portent sur la sécurisation des infrastructures critiques. Celles-ci sont constituées de l'ensemble des grands réseaux indispensables au bon fonctionnement d'une société. Ce travail s'attache particulièrement aux réseaux électriques et de télécommunications associés. Les interdépendances entre ces derniers amènent à l'apparition de nouvelles vulnérabilités. Pour progresser dans la compréhension de ces vulnérabilités afin de les réduire, deux approches complémentaires ont été explorées. La première est la création d'un outil de simulation comportementale pour systèmes multiinfrastructures. La seconde est la proposition d'une modélisation multi-infrastructures inspirée par la théorie des réseaux complexes. Grâce à cette modélisation, diverses études, en particulier sur l'évaluation de l'influence du réseau de communication sur l'impact des pannes généralisées dans les réseaux électriques ont été réalisées.