University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Mohamed Haddadi |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Big data filtering using multithreading on high performance computing (HPC) Type de document : texte imprimé Auteurs : Sara Seghir ; Aya Yatoui ; Mohamed Haddadi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol. (65 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Big data Multithreading High Performance Computing (HPC) Big Data filtering Mégadonnées Calcul haute performance (HPC) Filtrage du Big Data Index. décimale : 004 Informatique Résumé : Big data refers to large, complex datasets that cannot be efficiently managed or analyzed using traditional data processing tools. It is characterized by its volume, velocity, and variety, representing the vast amount of data generated from diverse sources, the speed at which it is generated, and the different data formats and types. While Big Data offers valuable insights, it poses challenges such as storing, managing, and processing massive volumes of data within reasonable timeframes. Ensuring data quality, privacy, and security is also crucial. Traditional tools struggle with the complexity and heterogeneity of Big Data, necessitating innovative approaches and technologies to overcome these challenges. in this dissertation we propose a novel solution that leverages the power of Multithreading on High Performance Computing (HPC) infrastructure. By employing Multithreading on HPC, we aim to enable efficient and real-time analysis of large datasets. This approach allows for parallel processing, utilizing the computational resources of HPC systems to overcome the limitations of single-threaded processing on a single-core system, thereby enhancing the speed and scalability of Big Data filtering tasks = Les mégadonnées font référence à des ensembles de données volumineux et complexes qui ne peuvent pas être gérés ou analysés efficacement à l'aide d'outils de traitement de données traditionnels. Il se caractérise par son volume, sa vitesse et sa variété, représentant la grande quantité de données générées à partir de diverses sources, la vitesse à laquelle elles sont générées et les différents formats et types de données. Bien que le Big Data offre des informations précieuses, il pose des défis tels que le stockage, la gestion et le traitement de volumes massifs de données dans des délais raisonnables. Garantir la qualité, la confidentialité et la sécurité des données est également crucial. Les outils traditionnels sont confrontés à la complexité et à l'hétérogénéité des mégadonnées, ce qui nécessite des approches et des technologies innovantes pour surmonter ces défis. dans cette thèse, nous proposons une nouvelle solution qui tire parti de la puissance du multithreading sur une infrastructure de calcul haute performance (HPC). En utilisant le multithreading sur HPC, nous visent à permettre une analyse efficace et en temps réel de grands ensembles de données. Cette approche permet un traitement parallèle, en utilisant les ressources de calcul des systèmes HPC pour surmonter les limites du traitement à un seul thread sur un seul coeur système, améliorant ainsi la vitesse et l'évolutivité des tâches de filtrage du Big Data Côte titre : MAI/0750 En ligne : https://drive.google.com/file/d/1RCKtlRK7ErEr1SlN0BPD5d3z9o8xMkD3/view?usp=drive [...] Format de la ressource électronique : Big data filtering using multithreading on high performance computing (HPC) [texte imprimé] / Sara Seghir ; Aya Yatoui ; Mohamed Haddadi, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol. (65 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Big data Multithreading High Performance Computing (HPC) Big Data filtering Mégadonnées Calcul haute performance (HPC) Filtrage du Big Data Index. décimale : 004 Informatique Résumé : Big data refers to large, complex datasets that cannot be efficiently managed or analyzed using traditional data processing tools. It is characterized by its volume, velocity, and variety, representing the vast amount of data generated from diverse sources, the speed at which it is generated, and the different data formats and types. While Big Data offers valuable insights, it poses challenges such as storing, managing, and processing massive volumes of data within reasonable timeframes. Ensuring data quality, privacy, and security is also crucial. Traditional tools struggle with the complexity and heterogeneity of Big Data, necessitating innovative approaches and technologies to overcome these challenges. in this dissertation we propose a novel solution that leverages the power of Multithreading on High Performance Computing (HPC) infrastructure. By employing Multithreading on HPC, we aim to enable efficient and real-time analysis of large datasets. This approach allows for parallel processing, utilizing the computational resources of HPC systems to overcome the limitations of single-threaded processing on a single-core system, thereby enhancing the speed and scalability of Big Data filtering tasks = Les mégadonnées font référence à des ensembles de données volumineux et complexes qui ne peuvent pas être gérés ou analysés efficacement à l'aide d'outils de traitement de données traditionnels. Il se caractérise par son volume, sa vitesse et sa variété, représentant la grande quantité de données générées à partir de diverses sources, la vitesse à laquelle elles sont générées et les différents formats et types de données. Bien que le Big Data offre des informations précieuses, il pose des défis tels que le stockage, la gestion et le traitement de volumes massifs de données dans des délais raisonnables. Garantir la qualité, la confidentialité et la sécurité des données est également crucial. Les outils traditionnels sont confrontés à la complexité et à l'hétérogénéité des mégadonnées, ce qui nécessite des approches et des technologies innovantes pour surmonter ces défis. dans cette thèse, nous proposons une nouvelle solution qui tire parti de la puissance du multithreading sur une infrastructure de calcul haute performance (HPC). En utilisant le multithreading sur HPC, nous visent à permettre une analyse efficace et en temps réel de grands ensembles de données. Cette approche permet un traitement parallèle, en utilisant les ressources de calcul des systèmes HPC pour surmonter les limites du traitement à un seul thread sur un seul coeur système, améliorant ainsi la vitesse et l'évolutivité des tâches de filtrage du Big Data Côte titre : MAI/0750 En ligne : https://drive.google.com/file/d/1RCKtlRK7ErEr1SlN0BPD5d3z9o8xMkD3/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0750 MAI/0750 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Cyber-attack detection on big data using deep learning Type de document : texte imprimé Auteurs : Linda Bakli, Auteur ; Mohamed Haddadi, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (55 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Cyberattaques
Big Data,
Deep Learning
Ensemble de données CIC-IDS2017
NSLKDD
Cybersécurité
Détection des menacesIndex. décimale : 004 - Informatique Résumé : Dans le paysage numérique interconnecté d’aujourd’hui, la croissance exponentielle du Big
Data a marqué le début d’une nouvelle ère de progrès technologique et d’innovation. Mais
cette croissance a également engendré des dangers sans précédent, notamment les
cyberattaques incessantes et de plus en plus sophistiquées ciblant les systèmes big data. Ces
attaques constituent de graves menaces pour l’intégrité des données, la confidentialité et la
continuité opérationnelle dans divers secteurs. Parmi les options créées pour maintenir la
sécurité figure la création d’un IDS )un système de détection d’intrusion( plus intelligent avec
un apprentissage en profondeur. L'objectif de ce travail est d'étudier les performances des
méthodes d'apprentissage profond, notamment les modèles CNN, DNN, RNN et MLP, et de
sélectionner le réseau neuronal le plus efficace pour effectuer une combinaison entre eux afin
de créer un modèle hybride haute performance pour résoudre les problèmes de sécurité.
Nous avons évalué les méthodes proposées avec les ensembles de données CICIDS-2017 et
NSL-KDD, nous avons également présenté une comparaison avec deux classifications (binaire
et multi-classes), en utilisant différentes métriques de performance importantes pour la
détection d'intrusion (taux n, taux de fausses alarmes et temps de réponse). Détection). Les
résultats expérimentaux ont montré que les performances des approches d'apprentissage
profond (DL) proposées hybrides CNN-LSTM sont meilleures que le modèle pur = In today's interconnected digital landscape, the exponential growth of big data has ushered in a
new era of technological advancement and innovation. However, this growth has also engendered
unprecedented dangers, notably the incessant and increasingly sophisticated cyber-attacks
targeting big data systems. These attacks pose grave threats to data integrity, privacy, and
operational continuity across various sectors. Among the options created to keep security is the
creation of a smarter IDS (an intrusion detection system) with deep learning. The objective of this
work is to study the performance of deep learning methods including CNN, DNN, RNN and MLP
models and select the most efficient neural network to make a combination between them to
create a high- performance hybrid model to solve security problems. We evaluated the proposed
methods with the datasets CICIDS-2017 and NSL-KDD, we also presented a comparison with two
classifications (binary and multi- class), using different performance metrics important for intrusion
detection (n rate, false alarm rate and response time detection). The experimental results showed
that the performances of the proposed deep learning (DL) approaches proposed hybrid CNN-LSTM
are better than the pure model.
Côte titre : MAI/0815
En ligne : https://drive.google.com/file/d/1GkaN4-iOUCgvkV0iUIskaLSzCf3ICs6M/view?usp=drive [...] Format de la ressource électronique : Cyber-attack detection on big data using deep learning [texte imprimé] / Linda Bakli, Auteur ; Mohamed Haddadi, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (55 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Cyberattaques
Big Data,
Deep Learning
Ensemble de données CIC-IDS2017
NSLKDD
Cybersécurité
Détection des menacesIndex. décimale : 004 - Informatique Résumé : Dans le paysage numérique interconnecté d’aujourd’hui, la croissance exponentielle du Big
Data a marqué le début d’une nouvelle ère de progrès technologique et d’innovation. Mais
cette croissance a également engendré des dangers sans précédent, notamment les
cyberattaques incessantes et de plus en plus sophistiquées ciblant les systèmes big data. Ces
attaques constituent de graves menaces pour l’intégrité des données, la confidentialité et la
continuité opérationnelle dans divers secteurs. Parmi les options créées pour maintenir la
sécurité figure la création d’un IDS )un système de détection d’intrusion( plus intelligent avec
un apprentissage en profondeur. L'objectif de ce travail est d'étudier les performances des
méthodes d'apprentissage profond, notamment les modèles CNN, DNN, RNN et MLP, et de
sélectionner le réseau neuronal le plus efficace pour effectuer une combinaison entre eux afin
de créer un modèle hybride haute performance pour résoudre les problèmes de sécurité.
Nous avons évalué les méthodes proposées avec les ensembles de données CICIDS-2017 et
NSL-KDD, nous avons également présenté une comparaison avec deux classifications (binaire
et multi-classes), en utilisant différentes métriques de performance importantes pour la
détection d'intrusion (taux n, taux de fausses alarmes et temps de réponse). Détection). Les
résultats expérimentaux ont montré que les performances des approches d'apprentissage
profond (DL) proposées hybrides CNN-LSTM sont meilleures que le modèle pur = In today's interconnected digital landscape, the exponential growth of big data has ushered in a
new era of technological advancement and innovation. However, this growth has also engendered
unprecedented dangers, notably the incessant and increasingly sophisticated cyber-attacks
targeting big data systems. These attacks pose grave threats to data integrity, privacy, and
operational continuity across various sectors. Among the options created to keep security is the
creation of a smarter IDS (an intrusion detection system) with deep learning. The objective of this
work is to study the performance of deep learning methods including CNN, DNN, RNN and MLP
models and select the most efficient neural network to make a combination between them to
create a high- performance hybrid model to solve security problems. We evaluated the proposed
methods with the datasets CICIDS-2017 and NSL-KDD, we also presented a comparison with two
classifications (binary and multi- class), using different performance metrics important for intrusion
detection (n rate, false alarm rate and response time detection). The experimental results showed
that the performances of the proposed deep learning (DL) approaches proposed hybrid CNN-LSTM
are better than the pure model.
Côte titre : MAI/0815
En ligne : https://drive.google.com/file/d/1GkaN4-iOUCgvkV0iUIskaLSzCf3ICs6M/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0815 MAI/0815 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : HTTP-GET DoS Attack Detection Using Ontology Type de document : texte imprimé Auteurs : Bouaoud Hadil, Auteur ; Hadjer Djehiche, Auteur ; Mohamed Haddadi, Directeur de thèse Année de publication : 2022 Importance : 1 vol (54 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Côte titre : MAI/0569 En ligne : https://drive.google.com/file/d/1ETR8XYrnCYho691VmGBtFppqjGNlFveQ/view?usp=share [...] Format de la ressource électronique : HTTP-GET DoS Attack Detection Using Ontology [texte imprimé] / Bouaoud Hadil, Auteur ; Hadjer Djehiche, Auteur ; Mohamed Haddadi, Directeur de thèse . - 2022 . - 1 vol (54 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Côte titre : MAI/0569 En ligne : https://drive.google.com/file/d/1ETR8XYrnCYho691VmGBtFppqjGNlFveQ/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0569 MAI/0569 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
