Master Informatique
Permanent URI for this collectionhdl:123456789/1389
Browse
2 results
Search Results
Item Détection Intelligente des Anomalies et Menaces Cybernétiques dans l’IoBT à l’aide du DeepLearning(university of bordj bou arreridj, 2025) - Chaima CHEIKH-; -Yousra Kawther GUISSOUSCe mémoire s’inscrit dans le champ stratégique de la cybersécurité militaire, en explorant le potentiel de l’Intelligence Artificielle (IA), de l’apprentissage automatique et de l’apprentissage profond pour renforcer la sécurité et l’autonomie des systèmes connectés dans les réseaux Internet of Battlefield Things (IoBT). Après avoir mis en évidence les limites des protocoles traditionnels face aux menaces sophistiquées, nous avons étudié et optimisé le protocole BioBT, dédié à l’authentification biométrique des entités IoBT et à la garantie de l’intégrité des données au sein du système C3I (Com mandement, Contrôle, Communications et Renseignement). L’amélioration proposée repose sur l’intégration d’un modèle LSTM (Long Short-Term Memory), une architec ture de réseau neuronal récurrent particulièrement adaptée à l’analyse de séquences temporelles. Ce modèle apporte une seconde couche d’authentification dynamique, venant compléter la vérification initiale assurée par la blockchain. En simulant des com portements biométriques issus de dispositifs IoBT, le système est capable de détecter les anomalies et d’authentifier les objets de manière fiable et réactive. Les résultats expérimentaux confirment la robustesse de l’approche : le modèle LSTM atteint une précision de 98% dans la tâche d’authentification, tout en détectant 77.94% des ten tatives d’intrusion simulées. De plus, la latence moyenne d’inférence reste compatible avec les exigences temps réel des environnements tactiques. Ces performances démon trent l’efficacité de la combinaison entre IA, biométrie et blockchain pour sécuriser les infrastructures militaires intelligentes, et ouvrent la voie à des déploiements opéra tionnels de plus grande envergure.Item Classification des émotions à partir de signaux EEGàl’aide de techniques d’apprentissage profond(university of bordj bou arreridj, 2025) BELARBI Chaima; KEDJOUTI AmelIn recent years, human emotion recognition from EEG signals has seen substantial progress, largely driven by advances in deep learning techniques. Unlike traditional methods based on facial expressions, EEG signals provide greater objectivity and robustness against voluntary manipulations. In this study, we propose an automatic emotion classification approach based on EEGsignals, utilizing the EEG Brainwave Dataset and the eeg-dataset-emotions. Two deep learning architectures—1D Convolutional Neural Network (1D CNN) and Long Short-Term Memory (LSTM) networks—were implemented to extract spatial and temporal features, res pectively. The experimental results demonstrate that the combined use of these models en hances the accuracy and reliability of emotional state recognition.