L'introspection est une condition nécessaire à l'autonomie: c'est la première étape vers l'amélioration des performances et l'optimisation de l'utilisation des ressources pour les systèmes repartis à grande échelle. Dans les grilles de calcul, la surveillance du comportement des applications est à la charge des systèmes de monitoring. Néanmoins, la plupart d'entre eux sont conçus pour produire des informations génériques concernant les ressources et ils ne prennent pas en considération les informations spécifiques aux services de plus haut niveau. Plus précisément, dans le contexte des applications où les données sont utilisées de façon intensive, une couche spécifiquement dédiée à l'introspection est nécessaire pour recueillir des informations liées à l'utilisation des ressources de stockage, aux principaux schémas d'accès aux données, etc. Ce travail propose de relever les défis posés par le développement d'une couche d'introspection pour des systèmes de gestion des données réparties à large échelle comme BlobSeer. Ce rapport analyse les raisons et les moyens d'ajouter une capacité d'introspection à BlobSeer et propose une architecture à trois niveaux basée sur la plateforme de surveillance MonALISA. Nous proposons ensuite une approche préliminaire pour introduire une capacité d'autoprotection dans BlobSeer grâce à un nouveau module de détection des clients malveillants. Cette architecture introspective a été évaluée sur la plate-forme expérimentale Grid'5000 à travers des tests qui démontrent la faisabilité de la génération des informations pertinentes liées à l'état et au comportement du système.