Faculté des mathématiques et de l'informatique
Permanent URI for this communityhdl:123456789/17
Browse
2 results
Search Results
Item Un Système Intelligent D’analyse Avancée Des Fichiers Journaux (Logs) Web Pour La Découverte Des Cybermenaces(university of bordj bou arreridj, 2025) Amel LOUDADJI; • Oussama AITEURLa large diffusion des applications web et leur accessibilité universelle constituent un facteur de risque qui multiplie les vecteurs d'attaque potentiels. Malgré la diversité des mécanismes de protection disponibles, des systèmes de surveillance et d'alerte sophistiqués, ainsi qu’une capacité de réponse rapide aux incidents de sécurité sont nécessaires. Les fichiers journaux (logs) d’une application web fournissent des enregistrements détaillés des activités qui se produisent au niveau du serveur web. Leur analyse offre une surveillance constante permettant de détecter et de comprendre l'évolution des menaces, tout en garantissant une réaction rapide aux incidents de sécurité. L'intelligence artificielle, en particulier l'apprentissage automatique, est devenue une solution efficace pour l'analyse avancée des fichiers journaux web et ce pour améliorer significativement la capacité de détection des attaques web. Ce mémoire propose l’architecture d’un système intelligent d’analyse avancée des fichiers journaux web. Les composants clés de cette architecture sont le moteur d’analyse et le module de décision. Le moteur d’analyse utilise une approche hybride basée sur les techniques de machine d’apprentissage non supervisées et supervisées. Il consiste en ensemble de classifieurs diversifiés qui identifie les enregistrements journaux suspects puis fait leur classification détaillée en attaques. Le module de décision fusionne les résultats issus des classifieurs selon une heuristique proposée et présentent les résultats de classifications finaux. Ce qui donne un aspect scientifique à la classification des attaques et ajoute un deuxième caractère d’intelligence au système proposé. L’évaluation des performances de notre système montre des résultats très satisfaisants qui prouvent l’efficacité de notre système d’analyse, confirme notre orientation vers une approche hybride des techniques de machine d’apprentissage et montre la démarche scientifique et intelligente adoptée lors de l’étape de prise de décision pour la classification finale des résultats.Item Prédiction de l’instabilité des réseaux électriques intelligents (smart grids) à l’aide des algorithmes d’apprentissage automatique(university of bordj bou arreridj, 2025) - MANSOURI KHELIFALes Smart Grids désignent des réseaux électriques intelligents utilisant les technologies de l’information et de la communication pour optimiser la production, la distribution et la consommation de l’électricité. La stabilité des réseaux électriques intelligents constitue un défi majeur en raison de leurs conditions d’exploitation dynamiques et incertaines. Cette étude propose une approche basée sur l’apprentissage automatique (Machine Learning, ML) pour prédire la stabilité de ces réseaux, en exploitant un ensemble de données contenant des paramètres dynamiques clés, tels que le taux de variation (τ), les variations de pression (p) et les gradients de distribution d’énergie (g). Ces données, disponibles sur Kaggle sous le nom « Electrical Grid Stability Simulated Dataset », sont traitées et analysées pour classer l’état du réseau en stable ou instable. Une évaluation approfondie de plusieurs algorithmes d’apprentissage automatique, notamment la régression logistique (LR), les machines à vecteurs de support (SVM), Naïve Bayes (NB), les forêts aléatoires (RF) et Extreme Gradient Boosting (XGBoost), est réalisée pour évaluer leur efficacité à gérer des motifs non linéaires et des dépendances complexes. Les résultats expérimentaux mettent en évidence les forces et les limites de chaque méthode, en termes de précision prédictive et de capacité de généralisation. Les conclusions soulignent que les modèles avancés, en particulier les méthodes d’ensemble, améliorent de manière significative les prévisions de stabilité, optimisant ainsi l'efficacité opérationnelle et la résilience des réseaux. Cette étude contribue au développement de solutions basées sur les données pour la gestion des réseaux intelligents, et renforce le rôle de l’intelligence artificielle (IA) dans les systèmes énergétiques durables.