Recherche d’alternance · Réseau & sécurité

Mahé Laurent

Étudiant en réseaux & télécoms, parcours cybersécurité.

Début dès signatureRythme 1 mois / 1 moisMobilité partout

Découvrir mon profil
Stack en cours
mahe@luminy: ~
Compétences›Cliquer pour explorer
Homelab · trafic du tunnel
piholewireguardcaddynextcloudvaultwarden
RPi 5
UFW
Homelab
Raspberry Pi 5›Cliquer pour explorer
Certifications 06
CCNA 1 · Introduction to NetworksOK
CCNA 2 · Switching, Routing & WirelessOK
CCNA 3 · Enterprise NetworkingOK
CSNA · StormshieldOK
MOOC de l’ANSSIOK
AWS · CloudCETTE ANNÉE
Certifications›Cliquer pour explorer
Tokens vus pendant l’entraînement10 000 000 000
LLM
from scratch›Cliquer pour explorer
Profil

Réseau, sécurité, terrain.

Étudiant en 3ᵉ année de BUT Réseaux et Télécommunications, parcours cybersécurité. Expérience en déploiement d’infrastructures, supervision réseau et correction de vulnérabilités. Ouvert à une alternance en administration réseau, cybersécurité, IoT ou téléphonie.

Expérience · StageAvril – juin 2026

Déploiement réseaux et télémétrie IoT

AMU · IUT de Luminy

  • Déploiement de deux architectures de géolocalisation indoor (Wirepas Mesh et UWB), de l’installation matérielle à la mise en service.
  • Scripts Python pour décoder et formater les flux de données, afin de fiabiliser la remontée d’informations vers la chaîne logicielle.
  • Configuration de la chaîne logicielle complète : transit MQTT (EMQX), stockage (InfluxDB), supervision (Grafana, Icinga).

MQTT · EMQX · InfluxDB · Grafana · Icinga · Python

FormationDepuis 2024
3e

année de BUT Réseaux et Télécommunications, parcours cybersécurité

  • IUT d’Aix-Marseille, Luminy, depuis septembre 2024.
  • Baccalauréat STI2D, mention Bien, lycée PGDG de Digne-les-Bains (2024).
Projet académiqueNov. 2025 – janv. 2026

Projet de pentesting

  • Environnement réseau volontairement vulnérable pour étudier, exploiter et corriger des failles courantes.
  • Injection SQL, XSS réfléchie et persistante, LFI, IDOR, brute force d’authentification avec Hydra.
  • Recommandations de correction pour chaque vulnérabilité.
Projet académique2024 – 2025

Projet de supervision DHCP

  • Gestion de parc avec routage et VLAN, pour suivre l’adressage d’un réseau segmenté.
  • Supervision DHCP automatisée en Python, commandes envoyées via Fabric.
Recherche d’alternance

Administrateur réseau et sécurité. Parlons-en.

Début dès signatureRythme 1 mois / 1 moisMobilité partout

Me contacter
Retours de terrain

Les questions qui m’ont fait avancer.

01 / HOMELAB

Pourquoi le VPN monte, mais sans aucun réseau ?

La règle NAT MASQUERADE manquait : le trafic des clients n’était pas traduit. Ajoutée pour le sous-réseau VPN.

02 / HOMELAB

Comment Pi-hole se faisait-il contourner ?

La Freebox annonçait son propre DNS IPv6 via les Router Advertisements. Désactivé pour que tout passe par Pi-hole.

03 / PENTEST

Que révèle un environnement volontairement vulnérable ?

Injection SQL, XSS, LFI, IDOR, brute force avec Hydra : chaque faille exploitée a reçu une recommandation de correction.

04 / SUPERVISION

Comment suivre l’adressage d’un réseau segmenté ?

Routage, VLAN, et une supervision DHCP automatisée en Python, avec des commandes envoyées via Fabric.

05 / IOT

Comment fiabiliser une remontée de données IoT ?

Des scripts Python de décodage, puis MQTT → InfluxDB → Grafana, surveillé par Icinga.

06 / LLM

Que fait un petit modèle quand il ne sait pas ?

Il invente avec aplomb : 102,63 °F pour l’ébullition de l’eau. D’où le projet d’ajouter une recherche documentaire (RAG).

Contact

Travaillons ensemble.

Une alternance en administration réseau, cybersécurité, IoT ou téléphonie ? Une question sur un projet ? Écrivez-moi.

Début dès signatureRythme 1 mois / 1 moisMobilité partout

[email protected]
Écrire un email Télécharger le CV LinkedIn
© 2026 Mahé Laurent

Compétences

01 / 04

Du câble à la supervision, en passant par le pare-feu et le script qui automatise le tout.

Réseaux et sécurité
  • IPv4 / IPv6
  • RIP, OSPF, EIGRP, BGP
  • VLAN
  • HSRP
  • LACP / PAgP
  • GRE / IPsec
  • ACL
  • Matériel Cisco
  • Firewall Stormshield
  • VPN WireGuard
Systèmes et scripting
  • Linux
  • Bash
  • PowerShell
  • Python
  • Docker, Docker Compose
  • Durcissement SSH, UFW
Télémétrie et supervision
  • MQTT (EMQX)
  • InfluxDB
  • MariaDB
  • Grafana
  • Icinga
  • Documentation technique
Services IT
  • DNS
  • DHCP
  • NAT
  • NFS
  • Samba
  • LAMP
  • Reverse proxy, TLS
IA
  • Entraînement de LLM
  • Tokenisation
  • Fine-tuning (SFT)
  • Inférence locale
  • PyTorch
Langues
Français, anglais (intermédiaire, B1)

Certifications

02 / 04

Six validées, une prévue cette année. Cisco pour le réseau, Stormshield pour le pare-feu, l’ANSSI pour la sécurité, et bientôt AWS pour le cloud.

  • 01
    CCNA 1 : Introduction to NetworksCisco Networking Academy
    Validé
  • 02
    CCNA 2 : Switching, Routing and Wireless EssentialsCisco Networking Academy
    Validé
  • 03
    CCNA 3 : Enterprise Networking, Security, and AutomationCisco Networking Academy
    Validé
  • 04
    CSNA : Certified Stormshield Network AdministratorStormshield
    Validé
  • 05
    MOOC de l’ANSSISecNumacadémie, 2024
    Validé
  • 06
    Google IA EssentialsGoogle
    Validé
  • 07
    AWSAmazon Web Services · prévue au cours de l’année
    Cette année

Homelab Raspberry Pi 5

03 / 04

Un serveur auto-hébergé né d’un besoin précis : utiliser mon PC de chez moi depuis n’importe où, sans passer par un service tiers. Autour du tunnel WireGuard se sont ensuite greffés filtrage DNS, cloud personnel et gestionnaire de mots de passe.

L’objectif

Au départ, un VPN entre l’extérieur et mon réseau domestique pour faire du bureau à distance en local avec Sunshine et Moonlight, sans dépendre d’une entreprise. Une prise connectée, pilotée à travers le tunnel, me permet d’allumer le PC à distance.

La stack

  • Raspberry Pi 5
  • Pi-hole
  • WireGuard (PiVPN)
  • UFW
  • Caddy
  • Vaultwarden
  • Nextcloud
  • Docker Compose
  • Sunshine / Moonlight
  • Prise connectée
Architecture du homelab Les appareils nomades rejoignent le Raspberry Pi par un tunnel WireGuard à travers Internet et la box, dont le seul port ouvert est celui de WireGuard. Le Pi, protégé par UFW, héberge PiVPN, Pi-hole, Caddy en frontal de Vaultwarden et Nextcloud. Le tunnel donne aussi accès au réseau domestique : le PC Windows avec Sunshine et la prise connectée qui l’allume. Appareils nomades laptop Omarchy (Moonlight), Android tunnel WireGuard Internet Box Freebox seul port ouvert : WireGuard (UDP) Raspberry Pi 5 UFW, refus par défaut WireGuard (PiVPN), split tunnel Pi-hole Cloudflare + DNSSEC Caddy reverse proxy TLS Nextcloud Docker Compose Vaultwarden accès au LAN réseau domestique PC Windows 11 Sunshine Prise connectée allumage à distance
Choix de sécurité
Surface d’attaque minimale
Seul le port WireGuard est ouvert sur la box. Tout le reste passe par le tunnel, derrière UFW en refus par défaut.
SSH durci
Root désactivé, Fail2ban contre la force brute.
DNS filtré et vérifié
Pi-hole bloque publicités et domaines malveillants, avec validation DNSSEC.
Journal de dépannage

[résolu] VPN

Connecté au VPN, mais pas de réseau

Symptôme : le tunnel monte, mais les clients n’atteignent rien.

Cause : règle NAT MASQUERADE absente, le trafic des clients n’était pas traduit.

Correctif : ajout de la règle MASQUERADE pour le sous-réseau VPN.

[résolu] DNS

Pi-hole contourné en IPv6

Symptôme : des requêtes DNS qui échappaient au filtrage.

Cause : la Freebox annonçait son propre DNS IPv6 via les Router Advertisements.

Correctif : empêcher la box de pousser son DNS IPv6 pour que tout passe par Pi-hole.

Et ensuite

Mettre en place une supervision pour surveiller l’état des services et être alerté en cas de panne, puis y déployer le bot Discord du projet LLM.

LLM from scratch

04 / 04

Un modèle de langage de 110 millions de paramètres construit et entraîné de A à Z sur ma propre carte graphique : tokenizer maison, pré-entraînement sur 10 milliards de tokens, puis fine-tuning conversationnel. Aucun poids pré-entraîné récupéré.

Paramètres
110 Marchitecture type Llama
Tokens vus
10 Mdsur 15,5 Md préparés
Pré-entraînement
~26 hRTX 5080, ~105k tokens/s
Loss finale
2,66validation Wikipédia

L’objectif

Utiliser des LLM, c’est facile. Je voulais comprendre ce qui se passe à l’intérieur : comment un texte devient des nombres, comment un modèle apprend à prédire la suite, et comment on le transforme en assistant capable de dialoguer.

L’environnement

  • RTX 5080 (16 Go)
  • WSL2 Ubuntu
  • PyTorch
  • Hugging Face
Le pipeline
  1. Validé

    Banc d’essai

    Mini-modèle de 12 M de paramètres pour valider la chaîne en 5 minutes.

  2. Validé

    Données

    15,5 milliards de tokens issus de FineWeb-Edu et Wikipédia.

  3. Validé

    Tokenizer maison

    BPE de 32 768 tokens, entraîné sur mon corpus.

  4. Validé

    Pré-entraînement

    10 milliards de tokens en 26 h, avec reprise sur checkpoint.

  5. Validé

    Fine-tuning chat

    SFT sur 260 000 conversations pour en faire un chatbot.

L’entraînement
Courbe de loss de validation du pré-entraînement La loss de validation passe de 10,5 au départ (tirage au hasard) à environ 5,3 après 250 steps, puis à 3,4 sur FineWeb-Edu et 3,1 sur Wikipédia après 2 000 steps, et descend lentement jusqu'à 2,93 sur FineWeb-Edu et 2,66 sur Wikipédia au step 19 000. Les deux courbes restent parallèles, sans remontée qui trahirait du surapprentissage. 2,53,03,54,04,55,05,505k10k15k19k FineWeb-Edu 2,93 Wikipédia 2,66 steps (1 step = 524 288 tokens)
Loss de validation relevée tous les 250 steps. Au step 0 (hors graphique) elle valait 10,5, soit un tirage au hasard parmi 32 768 tokens.
Ce qu’il répond, extraits réels

> What is the capital of France?

The capital of France is Paris. It is a city known for its rich history and cultural significance.

Juste : fait très fréquent dans les données

> What is the boiling point of water in Fahrenheit?

The boiling point of water in Fahrenheit is 102.63 degrees Fahrenheit.

Hallucination : ton assuré, chiffre inventé

Et ensuite

Intégré à un bot Discord qui génère des phrases lues en vocal, avec un déploiement prévu sur le homelab, puis l’ajout d’une recherche documentaire (RAG) pour fiabiliser ses réponses.