University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Samir Fenanir |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheD´eveloppement de l’intelligence artificielle dans le domaine de l’internet des Objets / Nihal Guelalta
Titre : D´eveloppement de l’intelligence artificielle dans le domaine de l’internet des Objets Type de document : texte imprimé Auteurs : Nihal Guelalta, Auteur ; Kaouther Elmouna Fali, Auteur ; Samir Fenanir, Directeur de thèse Année de publication : 2022 Importance : 1 vol (102 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique (ML)
classificationIndex. décimale : 004 Informatique Résumé : L’Internet des objets permet de combiner toute sorte de communication, tout le
temps, pour tout le monde, et sur n’importe quel objet. Bien que l’IoT offre
un ensemble impressionnant d’avantages, il pr´esente ´egalement un ensemble de
d´efis, ou la maximisation est le principal d´efi. Pour maximiser et am´eliorer les
b´en´efices de vente d’´electricit´e dans le domaine l’IoT, nous proposons une nouvelle
application de l’apprentissage automatique pour le probl`eme d’allocation
de ressources Smart Grid .
Dans notre m´emoire nous avons construit un mod`ele de classification et un
mod`ele de r`egression. Diff´erents algorithmes d’apprentissage automatique (ML)
ont ´ete utilis´es pour la classification : k-plus proche voisin (KNN), machine
`a vecteurs de support (SVM) ,arbre de d´ecision (DT),perceptron multicouche
(MLP).
Diff´erents algorithmes d’apprentissage automatique (ML) ont ´et´e utilis´es pour la
r´egression : r´egression lin´eaire (LR) , support vecteur machine regresseur (SVR)
, gaussian process regresseur (GPR).
Pour cela, nous pr´esentons l’impl´ementation et l’´evaluation des mod`eles d’appren
tissage automatique . Nous avons utulis`e fractionnements (Test-Split ).
L’impl´ementation consiste `a cr´eer les mod`eles qui sont entrain´es puis tester sur
une collection de donn´ees, afin de pouvoir comparer les performances de ces
derniers. En suite on appliquer aussi la m´ethode statistique (cross validation )qui
permet d’´evaluer les performances des mod`eles d’apprentissage automatique.
Nous alons ´evaluons notre mod`ele dans un environement Smart grid en utulisons
deux data sets pour d´evellopper des m´ethodes d’apprentissage automatique
afin d’obtenir des relations entre les b´en´efices des agrCôte titre : MAI/0577 En ligne : https://drive.google.com/file/d/1giUoibg8lmCM9DZht6YIo5lrHLMRhXof/view?usp=share [...] Format de la ressource électronique : D´eveloppement de l’intelligence artificielle dans le domaine de l’internet des Objets [texte imprimé] / Nihal Guelalta, Auteur ; Kaouther Elmouna Fali, Auteur ; Samir Fenanir, Directeur de thèse . - 2022 . - 1 vol (102 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique (ML)
classificationIndex. décimale : 004 Informatique Résumé : L’Internet des objets permet de combiner toute sorte de communication, tout le
temps, pour tout le monde, et sur n’importe quel objet. Bien que l’IoT offre
un ensemble impressionnant d’avantages, il pr´esente ´egalement un ensemble de
d´efis, ou la maximisation est le principal d´efi. Pour maximiser et am´eliorer les
b´en´efices de vente d’´electricit´e dans le domaine l’IoT, nous proposons une nouvelle
application de l’apprentissage automatique pour le probl`eme d’allocation
de ressources Smart Grid .
Dans notre m´emoire nous avons construit un mod`ele de classification et un
mod`ele de r`egression. Diff´erents algorithmes d’apprentissage automatique (ML)
ont ´ete utilis´es pour la classification : k-plus proche voisin (KNN), machine
`a vecteurs de support (SVM) ,arbre de d´ecision (DT),perceptron multicouche
(MLP).
Diff´erents algorithmes d’apprentissage automatique (ML) ont ´et´e utilis´es pour la
r´egression : r´egression lin´eaire (LR) , support vecteur machine regresseur (SVR)
, gaussian process regresseur (GPR).
Pour cela, nous pr´esentons l’impl´ementation et l’´evaluation des mod`eles d’appren
tissage automatique . Nous avons utulis`e fractionnements (Test-Split ).
L’impl´ementation consiste `a cr´eer les mod`eles qui sont entrain´es puis tester sur
une collection de donn´ees, afin de pouvoir comparer les performances de ces
derniers. En suite on appliquer aussi la m´ethode statistique (cross validation )qui
permet d’´evaluer les performances des mod`eles d’apprentissage automatique.
Nous alons ´evaluons notre mod`ele dans un environement Smart grid en utulisons
deux data sets pour d´evellopper des m´ethodes d’apprentissage automatique
afin d’obtenir des relations entre les b´en´efices des agrCôte titre : MAI/0577 En ligne : https://drive.google.com/file/d/1giUoibg8lmCM9DZht6YIo5lrHLMRhXof/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0577 MAI/0577 Mémoire Bibliothèque des sciences Français Disponible
Disponible
Titre : Intelligent remote water consumption management system Type de document : document électronique Auteurs : Said Mounir Gharou ; Abd Elbadie Tobbal, Auteur ; Samir Fenanir, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (72 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : SmartWater Management
Remote Monitoring
Digital Platform
Modular Architecture
User Interface
Data Simulation
SustainabilityIndex. décimale : 004 Informatique Résumé : This thesis presents the design and development of a smart digital platform for remote
monitoring of water consumption, aiming to modernize traditional water distribution
systems into adaptive digital ecosystems. The platform features a robust architecture
and user-friendly design, enabling real-time consumption tracking with daily, weekly, and
monthly analytics, as well as smart alerts for leaks or unusual patterns. Users can manage
their accounts securely and remotely. Administrators benefit from tools to monitor
city-wide consumption and generate advanced analytical reports. Although IoT sensors
and machine learning were not implemented due to scope limitations, their future integration
was thoroughly studied, and the platform was built with modular flexibility to
support such extensions. Simulated data flows replicate realistic usage, helping users and
managers identify anomalies and prepare for real-world sensor deployment. This project
lays a strong foundation for future innovation in smart, sustainable, and scalable water
management systems.Note de contenu : Sommaire
General Introduction 9
1 System Architecture for Intelligent Remote Water Consumption Management
12
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2 Physical Layer: Smart Meters and Sensors and Control Units . . . . . . . . 13
1.2.1 Smart Water Meters Technology . . . . . . . . . . . . . . . . . . . . 14
1.2.2 Supplementary Sensor Network . . . . . . . . . . . . . . . . . . . . 16
1.2.3 Control Units and Actuators . . . . . . . . . . . . . . . . . . . . . . 18
1.3 Communication Layer: LoRa and NB-IoT Technologies . . . . . . . . . . . 20
1.3.1 LoRa Technology Implementation . . . . . . . . . . . . . . . . . . . 20
1.3.2 NB-IoT Integration . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.3 Communication Protocols and Data Formatting . . . . . . . . . . . 23
1.4 Data Processing and AI Layer . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4.1 Data Collection and Pre-processing . . . . . . . . . . . . . . . . . . 24
1.4.2 Data Storage Infrastructure . . . . . . . . . . . . . . . . . . . . . . 25
1.4.3 Analytics Engine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4.4 Machine Learning Subsystem . . . . . . . . . . . . . . . . . . . . . 26
1.5 User Interface Layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5.1 Web Application Architecture . . . . . . . . . . . . . . . . . . . . . 27
1.5.2 Mobile Application Features . . . . . . . . . . . . . . . . . . . . . . 28
1.5.3 Field Service Interface . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.6 System Integration and Interoperability . . . . . . . . . . . . . . . . . . . . 29
1.7 Security and Privacy Considerations . . . . . . . . . . . . . . . . . . . . . 29
1.8 Scalability and Performance Optimization . . . . . . . . . . . . . . . . . . 30
1.9 Maintenance and Monitoring . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2 Conception and Modeling of Intelligent Water Management System 32
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2 Integration and Deployment Modeling . . . . . . . . . . . . . . . . . . . . 33
2.2.1 Component Deployment Architecture . . . . . . . . . . . . . . . . . 34
2.2.2 Communication Infrastructure Modeling . . . . . . . . . . . . . . . 35
2.3 Use Case Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.1 Actor Identification . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.2 Primary Use Cases . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.3 Secondary Use Cases . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4 Structural Modeling with Class Diagrams . . . . . . . . . . . . . . . . . . . 38
2.4.1 Core Entity Classes . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.2 Processing and Analysis Classes . . . . . . . . . . . . . . . . . . . . 39
2.4.3 Service and Control Classes . . . . . . . . . . . . . . . . . . . . . . 40
2.5 Dynamic Modeling with Sequence Diagrams . . . . . . . . . . . . . . . . . 40
2.5.1 Water Consumption Monitoring Sequence . . . . . . . . . . . . . . 41
2.5.2 Anomaly Detection and Response Sequence . . . . . . . . . . . . . 41
2.5.3 Payment Processing and Service Control Sequence . . . . . . . . . . 42
2.6 State Modeling for System Components . . . . . . . . . . . . . . . . . . . . 43
2.6.1 Customer Account State Model . . . . . . . . . . . . . . . . . . . . 43
2.6.2 System Component State Model . . . . . . . . . . . . . . . . . . . . 43
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 Implementation of Smart Water Management System 46
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Technology Stack Implementation . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.1 Frontend Development with React.js . . . . . . . . . . . . . . . . . 46
3.2.2 Backend Services with Node.js . . . . . . . . . . . . . . . . . . . . . 47
3.2.3 Database with SQL . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Dashboard Design Principles . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3.1 Hierarchical Information Architecture . . . . . . . . . . . . . . . . . 47
3.3.2 Visual Design Language . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.3 Real-Time Data Presentation . . . . . . . . . . . . . . . . . . . . . 48
3.4 Operator Dashboard Interface . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.1 System Overview Dashboard . . . . . . . . . . . . . . . . . . . . . . 49
3.4.2 Consumption Analytics Interface . . . . . . . . . . . . . . . . . . . 50
3.4.3 Anomaly Investigation Tools . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Customer Interface Design . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5.1 Consumer Portal Architecture . . . . . . . . . . . . . . . . . . . . . 51
3.5.2 Consumption Visualization for Customers . . . . . . . . . . . . . . 53
3.6 Interactive Reporting System . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.6.1 Report Generation Framework . . . . . . . . . . . . . . . . . . . . . 54
3.6.2 Performance Analytics Reports . . . . . . . . . . . . . . . . . . . . 54
3.6.3 Regulatory Compliance Reporting . . . . . . . . . . . . . . . . . . . 55
3.7 Alert and Notification Systems . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.7.1 Alert Classification and Prioritization . . . . . . . . . . . . . . . . . 55
3.7.2 Multi-Channel Notification Delivery . . . . . . . . . . . . . . . . . . 56
3.7.3 Escalation and Response Tracking . . . . . . . . . . . . . . . . . . . 57
3.8 User Experience Optimization . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.8.1 Usability Testing and Feedback Integration . . . . . . . . . . . . . . 58
3.8.2 Accessibility and Inclusive Design . . . . . . . . . . . . . . . . . . . 59
3.8.3 Performance Optimization . . . . . . . . . . . . . . . . . . . . . . . 59
3.9 Integration with Machine Learning Outputs . . . . . . . . . . . . . . . . . 60
3.9.1 Predictive Analytics Visualization . . . . . . . . . . . . . . . . . . . 60
3.9.2 Model Performance Monitoring . . . . . . . . . . . . . . . . . . . . 61
3.9.3 Real-Time Decision Support . . . . . . . . . . . . . . . . . . . . . . 62
3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
General Conclusion 64Côte titre : MAI/1031 Intelligent remote water consumption management system [document électronique] / Said Mounir Gharou ; Abd Elbadie Tobbal, Auteur ; Samir Fenanir, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (72 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : SmartWater Management
Remote Monitoring
Digital Platform
Modular Architecture
User Interface
Data Simulation
SustainabilityIndex. décimale : 004 Informatique Résumé : This thesis presents the design and development of a smart digital platform for remote
monitoring of water consumption, aiming to modernize traditional water distribution
systems into adaptive digital ecosystems. The platform features a robust architecture
and user-friendly design, enabling real-time consumption tracking with daily, weekly, and
monthly analytics, as well as smart alerts for leaks or unusual patterns. Users can manage
their accounts securely and remotely. Administrators benefit from tools to monitor
city-wide consumption and generate advanced analytical reports. Although IoT sensors
and machine learning were not implemented due to scope limitations, their future integration
was thoroughly studied, and the platform was built with modular flexibility to
support such extensions. Simulated data flows replicate realistic usage, helping users and
managers identify anomalies and prepare for real-world sensor deployment. This project
lays a strong foundation for future innovation in smart, sustainable, and scalable water
management systems.Note de contenu : Sommaire
General Introduction 9
1 System Architecture for Intelligent Remote Water Consumption Management
12
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2 Physical Layer: Smart Meters and Sensors and Control Units . . . . . . . . 13
1.2.1 Smart Water Meters Technology . . . . . . . . . . . . . . . . . . . . 14
1.2.2 Supplementary Sensor Network . . . . . . . . . . . . . . . . . . . . 16
1.2.3 Control Units and Actuators . . . . . . . . . . . . . . . . . . . . . . 18
1.3 Communication Layer: LoRa and NB-IoT Technologies . . . . . . . . . . . 20
1.3.1 LoRa Technology Implementation . . . . . . . . . . . . . . . . . . . 20
1.3.2 NB-IoT Integration . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.3 Communication Protocols and Data Formatting . . . . . . . . . . . 23
1.4 Data Processing and AI Layer . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4.1 Data Collection and Pre-processing . . . . . . . . . . . . . . . . . . 24
1.4.2 Data Storage Infrastructure . . . . . . . . . . . . . . . . . . . . . . 25
1.4.3 Analytics Engine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4.4 Machine Learning Subsystem . . . . . . . . . . . . . . . . . . . . . 26
1.5 User Interface Layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5.1 Web Application Architecture . . . . . . . . . . . . . . . . . . . . . 27
1.5.2 Mobile Application Features . . . . . . . . . . . . . . . . . . . . . . 28
1.5.3 Field Service Interface . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.6 System Integration and Interoperability . . . . . . . . . . . . . . . . . . . . 29
1.7 Security and Privacy Considerations . . . . . . . . . . . . . . . . . . . . . 29
1.8 Scalability and Performance Optimization . . . . . . . . . . . . . . . . . . 30
1.9 Maintenance and Monitoring . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2 Conception and Modeling of Intelligent Water Management System 32
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2 Integration and Deployment Modeling . . . . . . . . . . . . . . . . . . . . 33
2.2.1 Component Deployment Architecture . . . . . . . . . . . . . . . . . 34
2.2.2 Communication Infrastructure Modeling . . . . . . . . . . . . . . . 35
2.3 Use Case Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.1 Actor Identification . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.2 Primary Use Cases . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.3 Secondary Use Cases . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4 Structural Modeling with Class Diagrams . . . . . . . . . . . . . . . . . . . 38
2.4.1 Core Entity Classes . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.2 Processing and Analysis Classes . . . . . . . . . . . . . . . . . . . . 39
2.4.3 Service and Control Classes . . . . . . . . . . . . . . . . . . . . . . 40
2.5 Dynamic Modeling with Sequence Diagrams . . . . . . . . . . . . . . . . . 40
2.5.1 Water Consumption Monitoring Sequence . . . . . . . . . . . . . . 41
2.5.2 Anomaly Detection and Response Sequence . . . . . . . . . . . . . 41
2.5.3 Payment Processing and Service Control Sequence . . . . . . . . . . 42
2.6 State Modeling for System Components . . . . . . . . . . . . . . . . . . . . 43
2.6.1 Customer Account State Model . . . . . . . . . . . . . . . . . . . . 43
2.6.2 System Component State Model . . . . . . . . . . . . . . . . . . . . 43
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 Implementation of Smart Water Management System 46
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Technology Stack Implementation . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.1 Frontend Development with React.js . . . . . . . . . . . . . . . . . 46
3.2.2 Backend Services with Node.js . . . . . . . . . . . . . . . . . . . . . 47
3.2.3 Database with SQL . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Dashboard Design Principles . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3.1 Hierarchical Information Architecture . . . . . . . . . . . . . . . . . 47
3.3.2 Visual Design Language . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.3 Real-Time Data Presentation . . . . . . . . . . . . . . . . . . . . . 48
3.4 Operator Dashboard Interface . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.1 System Overview Dashboard . . . . . . . . . . . . . . . . . . . . . . 49
3.4.2 Consumption Analytics Interface . . . . . . . . . . . . . . . . . . . 50
3.4.3 Anomaly Investigation Tools . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Customer Interface Design . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5.1 Consumer Portal Architecture . . . . . . . . . . . . . . . . . . . . . 51
3.5.2 Consumption Visualization for Customers . . . . . . . . . . . . . . 53
3.6 Interactive Reporting System . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.6.1 Report Generation Framework . . . . . . . . . . . . . . . . . . . . . 54
3.6.2 Performance Analytics Reports . . . . . . . . . . . . . . . . . . . . 54
3.6.3 Regulatory Compliance Reporting . . . . . . . . . . . . . . . . . . . 55
3.7 Alert and Notification Systems . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.7.1 Alert Classification and Prioritization . . . . . . . . . . . . . . . . . 55
3.7.2 Multi-Channel Notification Delivery . . . . . . . . . . . . . . . . . . 56
3.7.3 Escalation and Response Tracking . . . . . . . . . . . . . . . . . . . 57
3.8 User Experience Optimization . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.8.1 Usability Testing and Feedback Integration . . . . . . . . . . . . . . 58
3.8.2 Accessibility and Inclusive Design . . . . . . . . . . . . . . . . . . . 59
3.8.3 Performance Optimization . . . . . . . . . . . . . . . . . . . . . . . 59
3.9 Integration with Machine Learning Outputs . . . . . . . . . . . . . . . . . 60
3.9.1 Predictive Analytics Visualization . . . . . . . . . . . . . . . . . . . 60
3.9.2 Model Performance Monitoring . . . . . . . . . . . . . . . . . . . . 61
3.9.3 Real-Time Decision Support . . . . . . . . . . . . . . . . . . . . . . 62
3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
General Conclusion 64Côte titre : MAI/1031 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/1031 MAI/1031 Mémoire Bibliothèque des sciences Anglais Disponible
Disponible
Titre : Intrusion detection for the Internet of Things using deep learning techniques Type de document : texte imprimé Auteurs : nour el imene Lakabi, Auteur ; Heithem Zeroual, Auteur ; Samir Fenanir, Directeur de thèse Année de publication : 2023 Importance : 1 vol (69 f .) Format : 29cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet of Things (IoT)
intrusion detectionIndex. décimale : 004 Informatique Résumé : In response to the increasing concerns about security in the Internet of Things (IoT), this study focuses on addressing the crucial issue of intrusion detection using deep learning techniques. The primary goal is to develop effective and reliable intrusion detection systems capable of accurately identifying intrusions in IoT networks. The research begins by providing an in-depth introduction to the IoT, encompassing its architecture, data flow, components, and application areas. Key challenges faced by the IoT, including security, interoperability, scalability, and energy efficiency, are highlighted. Emphasis is placed on the importance of IoT security, vulnerabilities, and the various types of attacks that can occur. Intrusion Detection Systems (IDS), such as signature-based, anomaly-based, and specification-based IDS, are introduced as essential tools for detecting and mitigating intrusions. The thesis presents the implementation of three deep learning-based intrusion detection programs (DNN, CNN, and RNN) using the PyTorch library, with the effectiveness of these programs evaluated using the IoTID20 dataset. By harnessing deep learning techniques, this research contributes to enhancing the understanding and effectiveness of intrusion detection in IoT networks. Côte titre : MAI/0707 En ligne : https://drive.google.com/file/d/1m2FHecjMZFFPzXSDnF_pmOhCPeKjSQYh/view?usp=drive [...] Format de la ressource électronique : Intrusion detection for the Internet of Things using deep learning techniques [texte imprimé] / nour el imene Lakabi, Auteur ; Heithem Zeroual, Auteur ; Samir Fenanir, Directeur de thèse . - 2023 . - 1 vol (69 f .) ; 29cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet of Things (IoT)
intrusion detectionIndex. décimale : 004 Informatique Résumé : In response to the increasing concerns about security in the Internet of Things (IoT), this study focuses on addressing the crucial issue of intrusion detection using deep learning techniques. The primary goal is to develop effective and reliable intrusion detection systems capable of accurately identifying intrusions in IoT networks. The research begins by providing an in-depth introduction to the IoT, encompassing its architecture, data flow, components, and application areas. Key challenges faced by the IoT, including security, interoperability, scalability, and energy efficiency, are highlighted. Emphasis is placed on the importance of IoT security, vulnerabilities, and the various types of attacks that can occur. Intrusion Detection Systems (IDS), such as signature-based, anomaly-based, and specification-based IDS, are introduced as essential tools for detecting and mitigating intrusions. The thesis presents the implementation of three deep learning-based intrusion detection programs (DNN, CNN, and RNN) using the PyTorch library, with the effectiveness of these programs evaluated using the IoTID20 dataset. By harnessing deep learning techniques, this research contributes to enhancing the understanding and effectiveness of intrusion detection in IoT networks. Côte titre : MAI/0707 En ligne : https://drive.google.com/file/d/1m2FHecjMZFFPzXSDnF_pmOhCPeKjSQYh/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0707 MAI/0707 livre Bibliothèque des sciences Anglais Disponible
Disponible
Titre : Smart agriculture to fight against bioaggressors Type de document : texte imprimé Auteurs : Wail Djekhar, Auteur ; Hichem Annane, Auteur ; Samir Fenanir, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol. (58 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Smart agriculture Machine Learning Image Processing Index. décimale : 004 Informatique Résumé : ML-based weed detection systems integrated with IoT o er tremendous potential for ecient
weed management in smart agriculture. By leveraging image analysis, real-time data, and precise
interventions, these technologies contribute to sustainable farming practices, reduced chemical
usage, and increased crop productivity. Further research, development, and dissemination of these
technologies are essential for the advancement of smart agriculture and the sustainable future of
management in agricultureCôte titre : MAI/0766 En ligne : https://drive.google.com/file/d/1S-akbxNruNCtfoJAF9bWJVYKJpXfBVIy/view?usp=drive [...] Format de la ressource électronique : Smart agriculture to fight against bioaggressors [texte imprimé] / Wail Djekhar, Auteur ; Hichem Annane, Auteur ; Samir Fenanir, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol. (58 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Smart agriculture Machine Learning Image Processing Index. décimale : 004 Informatique Résumé : ML-based weed detection systems integrated with IoT o er tremendous potential for ecient
weed management in smart agriculture. By leveraging image analysis, real-time data, and precise
interventions, these technologies contribute to sustainable farming practices, reduced chemical
usage, and increased crop productivity. Further research, development, and dissemination of these
technologies are essential for the advancement of smart agriculture and the sustainable future of
management in agricultureCôte titre : MAI/0766 En ligne : https://drive.google.com/file/d/1S-akbxNruNCtfoJAF9bWJVYKJpXfBVIy/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0766 MAI/0766 Mémoire Bibliothèque des sciences Anglais Disponible
Disponible
Titre : Un Système de Détection d’intrusion pour l’internet des objets en utilisant des techniques d’apprentissage approfondi Type de document : texte imprimé Auteurs : Roua Abir, Auteur ; Mouna Fellahi, Auteur ; Samir Fenanir, Directeur de thèse Année de publication : 2022 Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet des objets (IdO)
système de détection d'intrusion (IDS)Index. décimale : 004 Informatique Résumé : La montée de l’Internet des objets (Ido) a créé un nouveau paradigme pour notre époque, où les capteurs et les appareils intelligents sont connectés à un réseau mondial et peuvent être utilisés pour effectuer diverses activités. Son utilisation généralisée et son impact économique en ont fait une cible attrayante pour les criminels et la cybersécurité devient une priorité absolue pour l’écosystème de l’Ido.
Bien que la cybersécurité fasse l’objet de recherches depuis des décennies, L’architecture Ido et l’émergence de nouvelles menaces rendent les anciennes stratégies largement inefficaces. L’apprentissage profond peut fournir une nouvelle approche pour résoudre ce problème en développant un système de détection d’intrusion (IDS) pour détecter les attaques émergentes et inconnues.
Ce travail présente un examen détaillé des modèles de classification, basée sur l’apprentissage en profondeur (DL) pour détecter les intrusions dans l'Internet des objets, afin de rendre sa défense plus efficace dans la classification des attaques en construisant des différents algorithmes d’apprentissage profond (DNN,CNN,LSTM), qui extraient les caractéristiques fondamentales d'un usage normal et les comparent à celles de l'attaque, toute déviation significative entre les deux comportements, il sera classé comme une attaque.Côte titre : MAI/0563 En ligne : https://drive.google.com/file/d/1dylmCopwLhm-Z6FmAHKYb1BjorgdO2nx/view?usp=share [...] Format de la ressource électronique : Un Système de Détection d’intrusion pour l’internet des objets en utilisant des techniques d’apprentissage approfondi [texte imprimé] / Roua Abir, Auteur ; Mouna Fellahi, Auteur ; Samir Fenanir, Directeur de thèse . - 2022.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet des objets (IdO)
système de détection d'intrusion (IDS)Index. décimale : 004 Informatique Résumé : La montée de l’Internet des objets (Ido) a créé un nouveau paradigme pour notre époque, où les capteurs et les appareils intelligents sont connectés à un réseau mondial et peuvent être utilisés pour effectuer diverses activités. Son utilisation généralisée et son impact économique en ont fait une cible attrayante pour les criminels et la cybersécurité devient une priorité absolue pour l’écosystème de l’Ido.
Bien que la cybersécurité fasse l’objet de recherches depuis des décennies, L’architecture Ido et l’émergence de nouvelles menaces rendent les anciennes stratégies largement inefficaces. L’apprentissage profond peut fournir une nouvelle approche pour résoudre ce problème en développant un système de détection d’intrusion (IDS) pour détecter les attaques émergentes et inconnues.
Ce travail présente un examen détaillé des modèles de classification, basée sur l’apprentissage en profondeur (DL) pour détecter les intrusions dans l'Internet des objets, afin de rendre sa défense plus efficace dans la classification des attaques en construisant des différents algorithmes d’apprentissage profond (DNN,CNN,LSTM), qui extraient les caractéristiques fondamentales d'un usage normal et les comparent à celles de l'attaque, toute déviation significative entre les deux comportements, il sera classé comme une attaque.Côte titre : MAI/0563 En ligne : https://drive.google.com/file/d/1dylmCopwLhm-Z6FmAHKYb1BjorgdO2nx/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0563 MAI/0563 Mémoire Bibliothèque des sciences Français Disponible
Disponible
Permalink
