University Sétif 1 FERHAT ABBAS Faculty of Sciences
Catégories
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Cyber attacks detection on internet of Things using Machine learning Type de document : texte imprimé Auteurs : Ala Eddine Bouladour, Auteur ; Dhirar abdeldjabar Nedjai ; Haddadi ,Mohamed, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (73 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet des objets
Cyberattaques
Apprentissage automatique
Cybersécurité.Index. décimale : 004 - Informatique Résumé : L’augmentation rapide du nombre de dispositifs IoT (Internet des objets) a fourni une large
surface d’attaque pour les pirates pour lancer des cyberattaques dévastatrices. et souvent, les
solutions de sécurité traditionnelles ne sont pas suffisantes pour détecter ces attaques, qui
nécessitent l’utilisation de méthodes innovantes en raison de la gravité de ce problème. Le but
de cette thèse est d’appliquer des méthodes d’apprentissage automatique telles que la forêt
aléatoire, l’arbre de décision, les voisins k-les plus proches, la machine vectorielle de support,
la régression logistique, l’amplification de gradient extrême, l’amplification adaptative et
l’amplification de gradient, dans deux types de classification (binaire et multiple) détecter les
attaques dans l’Internet des objets. Nous avons évalué ces méthodes avec l’ensemble de
données IoTID20 à l’aide de mesures de rendement comme (exactitude, précision, rappel et F1-
Score). Nous avons également comparé nos résultats avec ceux de Sharma et al. Les résultats
de cette comparaison ont montré que notre modèle (XGBoost) offre la meilleure performance
parmi tous les autres modèles dans les classifications binaires et multi, car il a atteint une
exactitude de 99.74 et 99.21 respectivement= The rapid rise in the number of IoT (Internet of Things) devices has provided a broad attack
surface for hackers to launch devastating cyber attacks. and often, traditional security solutions
are not sufficient to detect these attacks, which requires the use of innovative methods due to
the seriousness of this problem. The aim of this thesis is to apply machine learning methods
such as random forest, decision tree, k-nearest neighbors, support vector machine, logistic
regression, extreme Gradient Boosting, Adaptive Boosting, and Gradient Boosting, in two types
of classification (binary and multiple) to detect attacks in the Internet of Things. We evaluated
these methods with the IoTID20 dataset using performance measures such as (accuracy,
precision, recall, and F1-Score). We also compared our results with the results of Sharma et al.
The results of this comparison showed that our model (XGBoost) provides the best performance
among all other models in both binary and multi classifications, as it achieved an accuracy of
99.74 and 99.21 respectively.
Côte titre : MAI/0788
En ligne : https://drive.google.com/file/d/1DWUg2bwFndN9eDRl_TQ-Ot6zq5MsAwCa/view?usp=drive [...] Format de la ressource électronique : Cyber attacks detection on internet of Things using Machine learning [texte imprimé] / Ala Eddine Bouladour, Auteur ; Dhirar abdeldjabar Nedjai ; Haddadi ,Mohamed, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (73 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet des objets
Cyberattaques
Apprentissage automatique
Cybersécurité.Index. décimale : 004 - Informatique Résumé : L’augmentation rapide du nombre de dispositifs IoT (Internet des objets) a fourni une large
surface d’attaque pour les pirates pour lancer des cyberattaques dévastatrices. et souvent, les
solutions de sécurité traditionnelles ne sont pas suffisantes pour détecter ces attaques, qui
nécessitent l’utilisation de méthodes innovantes en raison de la gravité de ce problème. Le but
de cette thèse est d’appliquer des méthodes d’apprentissage automatique telles que la forêt
aléatoire, l’arbre de décision, les voisins k-les plus proches, la machine vectorielle de support,
la régression logistique, l’amplification de gradient extrême, l’amplification adaptative et
l’amplification de gradient, dans deux types de classification (binaire et multiple) détecter les
attaques dans l’Internet des objets. Nous avons évalué ces méthodes avec l’ensemble de
données IoTID20 à l’aide de mesures de rendement comme (exactitude, précision, rappel et F1-
Score). Nous avons également comparé nos résultats avec ceux de Sharma et al. Les résultats
de cette comparaison ont montré que notre modèle (XGBoost) offre la meilleure performance
parmi tous les autres modèles dans les classifications binaires et multi, car il a atteint une
exactitude de 99.74 et 99.21 respectivement= The rapid rise in the number of IoT (Internet of Things) devices has provided a broad attack
surface for hackers to launch devastating cyber attacks. and often, traditional security solutions
are not sufficient to detect these attacks, which requires the use of innovative methods due to
the seriousness of this problem. The aim of this thesis is to apply machine learning methods
such as random forest, decision tree, k-nearest neighbors, support vector machine, logistic
regression, extreme Gradient Boosting, Adaptive Boosting, and Gradient Boosting, in two types
of classification (binary and multiple) to detect attacks in the Internet of Things. We evaluated
these methods with the IoTID20 dataset using performance measures such as (accuracy,
precision, recall, and F1-Score). We also compared our results with the results of Sharma et al.
The results of this comparison showed that our model (XGBoost) provides the best performance
among all other models in both binary and multi classifications, as it achieved an accuracy of
99.74 and 99.21 respectively.
Côte titre : MAI/0788
En ligne : https://drive.google.com/file/d/1DWUg2bwFndN9eDRl_TQ-Ot6zq5MsAwCa/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0788 MAI/0788 Mémoire Bibliothéque des sciences Anglais Disponible
DisponibleCyberbullying detection in social media using machine learning and deep learning / Hanene Atek
Titre : Cyberbullying detection in social media using machine learning and deep learning Type de document : texte imprimé Auteurs : Hanene Atek, Auteur ; Boutheyna Mehanni, Auteur ; Fouaz Berrhail, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (80 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Côte titre : MAI/0785 Cyberbullying detection in social media using machine learning and deep learning [texte imprimé] / Hanene Atek, Auteur ; Boutheyna Mehanni, Auteur ; Fouaz Berrhail, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (80 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Côte titre : MAI/0785 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0785 MAI/0785 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Le data mining appliquée aux accidents de la route en Algérie Type de document : texte imprimé Auteurs : Tabchouche,radia ; KHENTOUT,C, Directeur de thèse Editeur : Setif:UFA Année de publication : 2016 Importance : 1 vol (59f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux
Systèmes Distribués
Risque Routier
Fouille de donnéesIndex. décimale : 004 Informatique Résumé : RÉSUMÉ
Fléau des temps modernes, le phénomène des accidents de la circulation
obère lourdement les ressources de la société. La route fauche tous les ans des
milliers de vies et handicape des dizaines de milliers de blessés. Ce nombre
important de victimes nécessite l’étude de ce phénomène pour en extraire tous les
facteurs d’influence et permettre ainsi de proposer des mesures préventives. Ces
accidents peuvent survenir soit dans un milieu urbain soit en zone rurale. Nous
présentons dans ce travail, une solution basée sur le data mining, et un outil
d’analyse du risque routier.
Note de contenu : Table de matière
Introduction générale…………………………………………………………………… 01
Chapitre 1……………………………………………………………………………… 03
1. 1. Introduction……………………………………………………………… 04
1. 2. Définition du data mining………………………………………………. 04
1. 3. Processus de data mining ……………………………………………… 05
Définition et compréhension du problème………………………………. 06
Collecte des données……………………………………………………... 06
Prétraitement……………………………………………………………… 06
Estimation du modèle… … …… …… …… …… … …… …… …… … 07
Interprétation du modèle et établissement des conclusions………… 07
1. 4. Techniques du data mining………………………………………………. 07
1. 4.1 Techniquessupervisées …………………………………………….. 07
Les modèles classifications…………………………………………… 08
Les modèles d’estimation…………………………………………… 08
1.1.4.1 Arbre de décision………………………………………..08
1.1.4.2. Règles de décision……………………………………... 09
1.1.4.3. Régression……………………………………………… 10
1.1.4.4. Réseaux de neurone…………………………………….10
1.1.4.5. Machines à vecteurs supports (SVM)………………….. 11
1.1.4.6. Réseaux bayésiens…………………………………….. 11
1.4.2. Techniques non supervisées……………………………………...12
Les modèles de dispersion…………………………………………. 12
Les modèles d'association de séquences………………………….. 12
1.4.2.1 Clustring hiérarchique…………………………………… 12
1.4.2.2. K-means…………………………………………………….13
1.4.2.3. Carte auto-organisatrice de Kohonen…………………...14
Chapitre 2 ……………………………………………………………………………….. 15
2.1. Etat de l’art……………………………………………………………….. 16
2.2. Les Besoins d’analyse……………………………………………………. 17
2.3. Divers outils de data mining…………………………………………….. 19
2.4. Domaines d’application du data mining 27
Chapitre 3……………………………………………………………………………….. 31
3.1 .Introduction…………………………………………………………………. 32
3.2. Présentation du logiciel SODAS (Symbolic Official Data Analysis System)... 33
3.3. Schéma illustrant les étapes de mise en œuvre du logiciel SODAS………… 34
3.4. Description de la base de données ………………………………………….. 35
3.4.1.Schéma Relationel sous ACCESS……………………………………… 35
3.5. Explication des tables……………………………………………………….. 36
3.6. Symbolic Objet Editor (SOE)……………………………………………….. 42
3.6.1. L’étoile zoom à deux dimensions……………………………………... 43
3.6.2.Les histogrammes horizontaux ou verticaux………………………….. 45
3.7. La méthode STAT……………………………………………………………. 47
Capacités et min/max/mean pour des variables multimodales probabilistes... 48
Fréquences relatives pour des variables intervalles………………………….. 49
3.8. La méthode DIV : Divisive Clustering on Symbolic Objects………………… 50
Conclusion générale…...………………………………………………………………… 57
Bibliographie…………………………………………………………………………… 58
Annexe……………………………………………………………………………………. 60Côte titre : MAI/0113 En ligne : https://drive.google.com/file/d/1KKXIABqRBXBM3X_X5rK5m_1hA88qQuko/view?usp=shari [...] Format de la ressource électronique : Le data mining appliquée aux accidents de la route en Algérie [texte imprimé] / Tabchouche,radia ; KHENTOUT,C, Directeur de thèse . - [S.l.] : Setif:UFA, 2016 . - 1 vol (59f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux
Systèmes Distribués
Risque Routier
Fouille de donnéesIndex. décimale : 004 Informatique Résumé : RÉSUMÉ
Fléau des temps modernes, le phénomène des accidents de la circulation
obère lourdement les ressources de la société. La route fauche tous les ans des
milliers de vies et handicape des dizaines de milliers de blessés. Ce nombre
important de victimes nécessite l’étude de ce phénomène pour en extraire tous les
facteurs d’influence et permettre ainsi de proposer des mesures préventives. Ces
accidents peuvent survenir soit dans un milieu urbain soit en zone rurale. Nous
présentons dans ce travail, une solution basée sur le data mining, et un outil
d’analyse du risque routier.
Note de contenu : Table de matière
Introduction générale…………………………………………………………………… 01
Chapitre 1……………………………………………………………………………… 03
1. 1. Introduction……………………………………………………………… 04
1. 2. Définition du data mining………………………………………………. 04
1. 3. Processus de data mining ……………………………………………… 05
Définition et compréhension du problème………………………………. 06
Collecte des données……………………………………………………... 06
Prétraitement……………………………………………………………… 06
Estimation du modèle… … …… …… …… …… … …… …… …… … 07
Interprétation du modèle et établissement des conclusions………… 07
1. 4. Techniques du data mining………………………………………………. 07
1. 4.1 Techniquessupervisées …………………………………………….. 07
Les modèles classifications…………………………………………… 08
Les modèles d’estimation…………………………………………… 08
1.1.4.1 Arbre de décision………………………………………..08
1.1.4.2. Règles de décision……………………………………... 09
1.1.4.3. Régression……………………………………………… 10
1.1.4.4. Réseaux de neurone…………………………………….10
1.1.4.5. Machines à vecteurs supports (SVM)………………….. 11
1.1.4.6. Réseaux bayésiens…………………………………….. 11
1.4.2. Techniques non supervisées……………………………………...12
Les modèles de dispersion…………………………………………. 12
Les modèles d'association de séquences………………………….. 12
1.4.2.1 Clustring hiérarchique…………………………………… 12
1.4.2.2. K-means…………………………………………………….13
1.4.2.3. Carte auto-organisatrice de Kohonen…………………...14
Chapitre 2 ……………………………………………………………………………….. 15
2.1. Etat de l’art……………………………………………………………….. 16
2.2. Les Besoins d’analyse……………………………………………………. 17
2.3. Divers outils de data mining…………………………………………….. 19
2.4. Domaines d’application du data mining 27
Chapitre 3……………………………………………………………………………….. 31
3.1 .Introduction…………………………………………………………………. 32
3.2. Présentation du logiciel SODAS (Symbolic Official Data Analysis System)... 33
3.3. Schéma illustrant les étapes de mise en œuvre du logiciel SODAS………… 34
3.4. Description de la base de données ………………………………………….. 35
3.4.1.Schéma Relationel sous ACCESS……………………………………… 35
3.5. Explication des tables……………………………………………………….. 36
3.6. Symbolic Objet Editor (SOE)……………………………………………….. 42
3.6.1. L’étoile zoom à deux dimensions……………………………………... 43
3.6.2.Les histogrammes horizontaux ou verticaux………………………….. 45
3.7. La méthode STAT……………………………………………………………. 47
Capacités et min/max/mean pour des variables multimodales probabilistes... 48
Fréquences relatives pour des variables intervalles………………………….. 49
3.8. La méthode DIV : Divisive Clustering on Symbolic Objects………………… 50
Conclusion générale…...………………………………………………………………… 57
Bibliographie…………………………………………………………………………… 58
Annexe……………………………………………………………………………………. 60Côte titre : MAI/0113 En ligne : https://drive.google.com/file/d/1KKXIABqRBXBM3X_X5rK5m_1hA88qQuko/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0113 MAI/0113 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Dead Trees Detection Based on Machine Learning and Remote Sensing Type de document : texte imprimé Auteurs : Manelle Benarbia, Auteur ; Nabila Chergui, Auteur Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (51 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection Artificial Intelligence Machine
Learning Deep Learning Remote Sensing Vegetation Indices Classification Détection des arbres morts Intelligence Artificielle Apprentissage
Automatique Apprentissage Approfondu télédétection Indices de VegetationsIndex. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing
holds significance in efficient and scalable monitoring, early disturbance
detection, assessing ecosystem health, managing resources, and planning
conservation efforts. This approach facilitates timely interventions, enhances
forest management practices, and contributes to environmental
monitoring, ensuring the sustainability and resilience of forest ecosystems.
In this thesis, we focus on classifying dead trees using remote sensing
images obtained from the Sentinel 2 satellite and Vegetation Indices
(VIS). We initially extracted three VIs: the Normalised Difference Vegetation
Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil
Adjusted Vegetation Index. Subsequently, we selected three prominent
classification algorithms for Machine Learning (ML): Decision Tree (DT),
Random Forest (RF), and Support Vector Machine (SVM). Additionally,
we compared their performances with the Deep Learning Neural Network
(DNN). Notably, the Random Forest algorithm attained the highest
accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la
télédétection revêt une grande importance pour une surveillance efficace
et évolutive, la détection précoce des perturbations, l’évaluation de la
santé des écosystèmes, la gestion des ressources et la planification de
la conservation. Elle permet des interventions rapides, améliore les
pratiques de gestion forestière et contribue aux efforts de surveillance
environnementale, garantissant ainsi la durabilité et la résilience des
écosystèmes forestiers.
Dans ce mémoire, nous avons classifié les arbres morts en utilisant
des images de télédétection acquises à partir du satellite Sentinel 2
et desindices de végétation (VIS). Nous avons tout d’abord extrait
trois indices de végétation, à savoir l’indice de végétation par différence
normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice
devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des
principaux algorithmes d’apprentissage automatique pour effectuer la
classificationarbres de décision (DT), les forêts aléatoires (RF), les machines
à vecteurs de support (SVM) en plus du réseau de neurons (DNN).
Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu
la meilleure précision dans la classification des arbres morts, atteignant
une précision de 0,73.
Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : Dead Trees Detection Based on Machine Learning and Remote Sensing [texte imprimé] / Manelle Benarbia, Auteur ; Nabila Chergui, Auteur . - [S.l.] : Setif:UFA, 2023 . - 1 vol (51 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection Artificial Intelligence Machine
Learning Deep Learning Remote Sensing Vegetation Indices Classification Détection des arbres morts Intelligence Artificielle Apprentissage
Automatique Apprentissage Approfondu télédétection Indices de VegetationsIndex. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing
holds significance in efficient and scalable monitoring, early disturbance
detection, assessing ecosystem health, managing resources, and planning
conservation efforts. This approach facilitates timely interventions, enhances
forest management practices, and contributes to environmental
monitoring, ensuring the sustainability and resilience of forest ecosystems.
In this thesis, we focus on classifying dead trees using remote sensing
images obtained from the Sentinel 2 satellite and Vegetation Indices
(VIS). We initially extracted three VIs: the Normalised Difference Vegetation
Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil
Adjusted Vegetation Index. Subsequently, we selected three prominent
classification algorithms for Machine Learning (ML): Decision Tree (DT),
Random Forest (RF), and Support Vector Machine (SVM). Additionally,
we compared their performances with the Deep Learning Neural Network
(DNN). Notably, the Random Forest algorithm attained the highest
accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la
télédétection revêt une grande importance pour une surveillance efficace
et évolutive, la détection précoce des perturbations, l’évaluation de la
santé des écosystèmes, la gestion des ressources et la planification de
la conservation. Elle permet des interventions rapides, améliore les
pratiques de gestion forestière et contribue aux efforts de surveillance
environnementale, garantissant ainsi la durabilité et la résilience des
écosystèmes forestiers.
Dans ce mémoire, nous avons classifié les arbres morts en utilisant
des images de télédétection acquises à partir du satellite Sentinel 2
et desindices de végétation (VIS). Nous avons tout d’abord extrait
trois indices de végétation, à savoir l’indice de végétation par différence
normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice
devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des
principaux algorithmes d’apprentissage automatique pour effectuer la
classificationarbres de décision (DT), les forêts aléatoires (RF), les machines
à vecteurs de support (SVM) en plus du réseau de neurons (DNN).
Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu
la meilleure précision dans la classification des arbres morts, atteignant
une précision de 0,73.
Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0755 MAI/0755 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Découverte de communautés dynamiques dans les réseaux temporels Type de document : texte imprimé Auteurs : Benaggoun, samir ; DRIF, AHLEM, Directeur de thèse Editeur : Setif:UFA Année de publication : 2017 Importance : 1 vol (77f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux
Systèmes Distribués
Modularité
communautés dynamiques
Réseaux sociaux
Réseaux temporelsIndex. décimale : 004 Informatique Résumé : RESUMÉ
L’analyse de réseaux sociaux est un outil qui s’impose dans de nombreuses
sciences. Un de ces outils spécifiques à l’analyse est la détection de communautés.
Si le domaine de la détection de communautés statiques sans recouvrement semble
aujourd’hui arrivé à maturité, avec plusieurs méthodes se révélant à la fois rapides,
performantes, nous pensons que le problème de la détection de communautés avec
recouvrement n’a pas encore atteint ce stade, Quant aux communautés dynamiques,
nous pensons que l’on est encore dans une phase d’exploration, ce qui explique la
grande variété d’approches utilisées. L’objectif de ce travail est de proposer une
nouvelle approche de détection de communautés qui serait capable de détecter
l’évolution des communautés au cours du temps pour des réseaux sociaux. Pour
cela, nous avons défini une nouvelle méthode qui fonctionne en deux phases. Durant la première phase, nous détectons tous les groupes similaire afin de décomposer
le réseau initial en petits groupes élémentaires c’est à dire faire du Clustering (par la
méthode de Louvain). Dans la deuxième phase, nous proposons une procédure itérative ayant pour objectif l'identification des différentes communautés avec l’analyse
des déplacements des nœuds d’une communauté à une autre, Et au fur et à mesure
on évalue la modularité en utilisant les actions de mise à jour (ajout nœud, suppression nœud, update nœud) jusqu’à atteindre une modularité Optimale. La performance de l’approche proposée est comparée avec d'autres algorithmes de détection
de communautés qui montre l’efficacité de notre approche.Note de contenu : Table des matières
Introduction Générale.............................................................................................. 1
Chapitre 1 : Communauté et réseaux complexes
1. Introduction ........................................................................................................... 5
2. Représentation des Graphes ................................................................................. 5
2.1 La matrice d'adjacence ............................................................................................................5
2.1 Matrice d’incidence.................................................................................................................6
2.3 Laplacien Subordonné à un Graphe .......................................................................................7
2.4 Graphes Dynamiques..............................................................................................................8
3. Propriétés et conjectures....................................................................................... 8
3.1 Nombre chromatique et le degré maximal .........................................................................8
3.2 Coefficient de regroupement..................................................................................................9
3.2.1 Définition ..........................................................................................................................9
3.2.2 Coefficient global..............................................................................................................9
3.3 La centralité d’intermédiarité des liens...............................................................................10
4. Les Communautés ............................................................................................... 11
4.1 Définition ...............................................................................................................................11
4.2 Définitions comparatives.......................................................................................................11
4.3 Définitions de référence individuelle ...................................................................................12
4.4 Représentation graphique des communautés ........................................................................12
4.5 Modularité ..............................................................................................................13
5. Réseaux Complexes.............................................................................................. 14
5.1 Réseaux sociaux....................................................................................................................15
5.2 Réseaux biologiques..............................................................................................................15
5.3 Réseaux d’information ..........................................................................................................15
5.4 Réseaux technologiques........................................................................................................16
5.5 Réseaux linguistiques............................................................................................................16
6. Conclusion............................................................................................................ 16
Chapitre 2 : L'Etat de l'art
1. Introduction ......................................................................................................... 20
2. Méthodes de découverte de communautés dans les réseaux Complexes.......... 20
2.1 Algorithme Basique de Betweenness.....................................................................................21
2.1.1 Idée fondamentale ...............................................................................................21
2.1.2 Mesure de communautés.................................................................................................21
2.1.3 Méthode de détection des communautés........................................................................23
2.1.4 Exemple d’expérimentation ...........................................................................................23
2.1.5. Discussion .......................................................................................................................24
2.2 Fast algorithm........................................................................................................................24
2.2.1 Idée fondamentale ..........................................................................................................24
2.2.2 Mesure de communautés................................................................................................24
2.2.4 Exemple d’expérimentation ..........................................................................................25
2.2.5 Discussion ......................................................................................................................26
2.3 Extremal optimization algorithm ..........................................................................................27
2.3.1 Idée fondamentale ..........................................................................................................27
2.3.2 Mesure de communautés................................................................................................27
2.3.3 Méthode de découverte de communautés ......................................................................27
2.3.4 Exemple d’expérimentation ...........................................................................................28
2.3.5. Discussion .......................................................................................................................28
3. Opérations de communautés................................................................................ 29
3.1 Différentes approches.............................................................................................................30
3.1.1 Approches par détections statiques successives..............................................................30
3.1.2 Avec communautés non recouvrantes............................................................................31
3.1.3 Avec communautés recouvrantes..................................................................................31
3.1.4 Approches travaillant sur des réseaux temporels .............................................................33
4. Conclusion........................................................................................................... 35
Chapitre 3 : Méthode proposée pour la détection de communauté
1. Introduction .......................................................................................................... 38
2. Algorithme de Louvain......................................................................................... 38
2.1 Description de l’algorithme....................................................................................................38
2.2 Organigramme de l’algorithme ..............................................................................................40
2.3 Exemple de détection de communautés pour des réseaux sociaux ........................................42
3. Proposition d’une extension de l’algorithme de Louvain pour les réseaux temporels ......................................... 43
3.1 Description de l’approche proposée.......................................................................................43
3.2 Evolution des évènements au cours du temps........................................................................44
3.3 Détails des opérations de mise à jour...................................................................................45
3.3.1 Evènement de création de Nœud....................................................................................45
3.3.2 Evènement de modification des voisins d’un Nœud (Update)......................................45
3.3.3 Evènement de suppression d’un Nœud ..........................................................................46
3.4 Méthodes et classes utilisées pour les opérations de mise à jour ........................................47
3.5 Organigramme de la dynamique des communautés.............................................................50
4. Conclusion........................................................................................................... 51
Chapitre 4 : Evaluation et expérimentation
1 .Introduction .......................................................................................................... 53
2. Les langages utilisés et les outils d'implémentations .......................................... 53
2.1.2 Langage GML ................................................................................................................53
2.2 Les outils utilisés....................................................................................................................54
2.2.1 Outil de visualisation Gephi..........................................................................................54
2.2.2 NetBeans.........................................................................................................................54
3. Jeux de données.................................................................................................... 55
3.1 Eurovision dataset ..................................................................................................................55
3.1.1 Format du fichier..............................................................................................................55
3.1.2 visualisation d’un fichier CSV ........................................................................................56
3.2 Distribution des degrés..........................................................................................................56
3.3 Modularité du graphe généré................................................................................................58
4. Interfaces de notre application de découverte dynamique ................................... 58
4.1 Interface d’accueil...................................................................................................................58
4.2 Principe de fonctionnement de l’application.........................................................................60
5. Evaluation des Performances de l’algorithme proposé ..................................... 64
5.1 Analyse de la dynamique .......................................................................................................65
5.2 Détection de communauté durant des instantanés successive................................................65
5.3 Comparaisons de notre approche proposée .............................................................................65
6. Conclusion........................................................................................................... 67
7. Conclusion Générale ......................................................................................... 68
Annexes.................................................................................................................... 69Côte titre : MAI/0164 En ligne : https://drive.google.com/file/d/1RuMZcnT6c2tYnWPDgZzr1I3axvksT8O_/view?usp=shari [...] Format de la ressource électronique : Découverte de communautés dynamiques dans les réseaux temporels [texte imprimé] / Benaggoun, samir ; DRIF, AHLEM, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (77f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux
Systèmes Distribués
Modularité
communautés dynamiques
Réseaux sociaux
Réseaux temporelsIndex. décimale : 004 Informatique Résumé : RESUMÉ
L’analyse de réseaux sociaux est un outil qui s’impose dans de nombreuses
sciences. Un de ces outils spécifiques à l’analyse est la détection de communautés.
Si le domaine de la détection de communautés statiques sans recouvrement semble
aujourd’hui arrivé à maturité, avec plusieurs méthodes se révélant à la fois rapides,
performantes, nous pensons que le problème de la détection de communautés avec
recouvrement n’a pas encore atteint ce stade, Quant aux communautés dynamiques,
nous pensons que l’on est encore dans une phase d’exploration, ce qui explique la
grande variété d’approches utilisées. L’objectif de ce travail est de proposer une
nouvelle approche de détection de communautés qui serait capable de détecter
l’évolution des communautés au cours du temps pour des réseaux sociaux. Pour
cela, nous avons défini une nouvelle méthode qui fonctionne en deux phases. Durant la première phase, nous détectons tous les groupes similaire afin de décomposer
le réseau initial en petits groupes élémentaires c’est à dire faire du Clustering (par la
méthode de Louvain). Dans la deuxième phase, nous proposons une procédure itérative ayant pour objectif l'identification des différentes communautés avec l’analyse
des déplacements des nœuds d’une communauté à une autre, Et au fur et à mesure
on évalue la modularité en utilisant les actions de mise à jour (ajout nœud, suppression nœud, update nœud) jusqu’à atteindre une modularité Optimale. La performance de l’approche proposée est comparée avec d'autres algorithmes de détection
de communautés qui montre l’efficacité de notre approche.Note de contenu : Table des matières
Introduction Générale.............................................................................................. 1
Chapitre 1 : Communauté et réseaux complexes
1. Introduction ........................................................................................................... 5
2. Représentation des Graphes ................................................................................. 5
2.1 La matrice d'adjacence ............................................................................................................5
2.1 Matrice d’incidence.................................................................................................................6
2.3 Laplacien Subordonné à un Graphe .......................................................................................7
2.4 Graphes Dynamiques..............................................................................................................8
3. Propriétés et conjectures....................................................................................... 8
3.1 Nombre chromatique et le degré maximal .........................................................................8
3.2 Coefficient de regroupement..................................................................................................9
3.2.1 Définition ..........................................................................................................................9
3.2.2 Coefficient global..............................................................................................................9
3.3 La centralité d’intermédiarité des liens...............................................................................10
4. Les Communautés ............................................................................................... 11
4.1 Définition ...............................................................................................................................11
4.2 Définitions comparatives.......................................................................................................11
4.3 Définitions de référence individuelle ...................................................................................12
4.4 Représentation graphique des communautés ........................................................................12
4.5 Modularité ..............................................................................................................13
5. Réseaux Complexes.............................................................................................. 14
5.1 Réseaux sociaux....................................................................................................................15
5.2 Réseaux biologiques..............................................................................................................15
5.3 Réseaux d’information ..........................................................................................................15
5.4 Réseaux technologiques........................................................................................................16
5.5 Réseaux linguistiques............................................................................................................16
6. Conclusion............................................................................................................ 16
Chapitre 2 : L'Etat de l'art
1. Introduction ......................................................................................................... 20
2. Méthodes de découverte de communautés dans les réseaux Complexes.......... 20
2.1 Algorithme Basique de Betweenness.....................................................................................21
2.1.1 Idée fondamentale ...............................................................................................21
2.1.2 Mesure de communautés.................................................................................................21
2.1.3 Méthode de détection des communautés........................................................................23
2.1.4 Exemple d’expérimentation ...........................................................................................23
2.1.5. Discussion .......................................................................................................................24
2.2 Fast algorithm........................................................................................................................24
2.2.1 Idée fondamentale ..........................................................................................................24
2.2.2 Mesure de communautés................................................................................................24
2.2.4 Exemple d’expérimentation ..........................................................................................25
2.2.5 Discussion ......................................................................................................................26
2.3 Extremal optimization algorithm ..........................................................................................27
2.3.1 Idée fondamentale ..........................................................................................................27
2.3.2 Mesure de communautés................................................................................................27
2.3.3 Méthode de découverte de communautés ......................................................................27
2.3.4 Exemple d’expérimentation ...........................................................................................28
2.3.5. Discussion .......................................................................................................................28
3. Opérations de communautés................................................................................ 29
3.1 Différentes approches.............................................................................................................30
3.1.1 Approches par détections statiques successives..............................................................30
3.1.2 Avec communautés non recouvrantes............................................................................31
3.1.3 Avec communautés recouvrantes..................................................................................31
3.1.4 Approches travaillant sur des réseaux temporels .............................................................33
4. Conclusion........................................................................................................... 35
Chapitre 3 : Méthode proposée pour la détection de communauté
1. Introduction .......................................................................................................... 38
2. Algorithme de Louvain......................................................................................... 38
2.1 Description de l’algorithme....................................................................................................38
2.2 Organigramme de l’algorithme ..............................................................................................40
2.3 Exemple de détection de communautés pour des réseaux sociaux ........................................42
3. Proposition d’une extension de l’algorithme de Louvain pour les réseaux temporels ......................................... 43
3.1 Description de l’approche proposée.......................................................................................43
3.2 Evolution des évènements au cours du temps........................................................................44
3.3 Détails des opérations de mise à jour...................................................................................45
3.3.1 Evènement de création de Nœud....................................................................................45
3.3.2 Evènement de modification des voisins d’un Nœud (Update)......................................45
3.3.3 Evènement de suppression d’un Nœud ..........................................................................46
3.4 Méthodes et classes utilisées pour les opérations de mise à jour ........................................47
3.5 Organigramme de la dynamique des communautés.............................................................50
4. Conclusion........................................................................................................... 51
Chapitre 4 : Evaluation et expérimentation
1 .Introduction .......................................................................................................... 53
2. Les langages utilisés et les outils d'implémentations .......................................... 53
2.1.2 Langage GML ................................................................................................................53
2.2 Les outils utilisés....................................................................................................................54
2.2.1 Outil de visualisation Gephi..........................................................................................54
2.2.2 NetBeans.........................................................................................................................54
3. Jeux de données.................................................................................................... 55
3.1 Eurovision dataset ..................................................................................................................55
3.1.1 Format du fichier..............................................................................................................55
3.1.2 visualisation d’un fichier CSV ........................................................................................56
3.2 Distribution des degrés..........................................................................................................56
3.3 Modularité du graphe généré................................................................................................58
4. Interfaces de notre application de découverte dynamique ................................... 58
4.1 Interface d’accueil...................................................................................................................58
4.2 Principe de fonctionnement de l’application.........................................................................60
5. Evaluation des Performances de l’algorithme proposé ..................................... 64
5.1 Analyse de la dynamique .......................................................................................................65
5.2 Détection de communauté durant des instantanés successive................................................65
5.3 Comparaisons de notre approche proposée .............................................................................65
6. Conclusion........................................................................................................... 67
7. Conclusion Générale ......................................................................................... 68
Annexes.................................................................................................................... 69Côte titre : MAI/0164 En ligne : https://drive.google.com/file/d/1RuMZcnT6c2tYnWPDgZzr1I3axvksT8O_/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0164 MAI/0164 Mémoire Bibliothéque des sciences Français Disponible
DisponibleDeep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data / Yacine Deradra
PermalinkDeep-Convolution-Neural-Network-and-Autoencoders- Based-Unsupervised-Feature-Learning-of-EEG / Krachni,Rayane
PermalinkPermalinkDeep Feature Learning (Extraction and Generation) Using a Bidirectional LSTM-CNN and Deep Generative Models Applied to Physiological Signals (EEG/ECG) Classification / Hichem Betiche
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink