University of Bordj Bou Arreridj
Welcome to the Digital Repository of University Mohamed El Bachir El Ibrahimi - Bordj Bou Arreridj
Communautés dans l'Université de Bordj Bou Arreridj
Sélectionner une communauté pour parcourir les collections sous-jacentes.
- كلية الحقوق والعلوم السياسية
- كلية الآداب واللغات
- كلية الرياضيات و الأعلام الآلي
- كلية علوم الطبيعة و الحياة و علوم الأرض و الكون
- كلية العلوم الاقتصادية والتجارية وعلوم التسيير
- Faculté des sciences et de la technologie
- كلية العلوم الاجتماعية والإنسانية
home.recent-submissions.head
Discovering parallel episodes in event sequences: Enhanced analysis of web page navigation patterns
(university of bordj bou arreridj, 2025) DALI MOHAMEDImadEddine; TABETIshak
In the last decades and the growth of digital devices, the analysis of user navigation patterns
on websites presents a significant challenge for organizations aiming to enhance their digital
strategies. This thesis focuses on the field of episode mining and introduces our algorithm,
developed by modifying one of the episode miming algorithms approach to efficiently handle
parallel episodes. By analyzing sequences of web page visits,the proposed version enables the
extraction of episode rules. with improved performance and scalability. Experimental results
on real world datasets demonstrate that our algorithm offers notable gains in execution time
and accuracy compared to traditional methods, making it a valuable tool for predicting user
behavior and supporting data driven decision-making in web analytics.
Modèle d’Apprentissage par Renforcement pour le Routage des Données dans l’Internet des Véhicules
(university of bordj bou arreridj, 2025) - BOUROUH Aymen; - SALIK Sound
Cette thèse propose une approche innovante pour optimiser le routage dans les
réseaux Internet of Vehicles (IoV) en intégrant l’apprentissage par renforcement, et
plus précisément le Q-learning, afin d’améliorer la stabilité des connexions entre les
véhicules. L’objectif principal est de réduire les handovers inutiles qui affectent négati
vement la Qualité de Service (QoS) dans des environnements dynamiques. Après une
étude approfondie des architectures IoV et des limitations des protocoles existants, une
amélioration du protocole DSRC/C-V2X est introduite. Le modèle développé anticipe
intelligemment les décisions de handover en fonction des conditions du réseau, minimi
sant ainsi les basculements fréquents de protocole. Les performances du système ont
été évaluées à travers des simulations réalistes. Les résultats montrent une précision de
97,50%, un rappel de 97,55%, et un F1-score de 97,23%, indiquant une grande fiabilité
du modèle. La stabilité du processus d’apprentissage est confirmée par une perte de
0,0250 et une récompense cumulée de 160255340. Enfin, les tests démontrent une ré
duction significative des handovers inutiles (732 au total, dont 355 sont des ping-pong
handovers), une latence moyenne de 6,34 ms, et un PDR moyen de 0,922, surpassant les
méthodes traditionnelles basées sur des seuils fixes. Ces résultats soulignent l’efficacité
de l’approche proposée pour améliorer la QoS dans les réseaux IoV
Routage de données avec QOS dans les réseaux de drones
(university of bordj bou arreridj, 2025) Chelbab Manal; Benkhelfallah kaouthar
FANET est l’un des réseaux mobiles ad hoc sans infrastructure, représentant un ensemble de véhicules
aériens sans pilote communiquant entre eux. Ces réseaux sont connus par leur forte mobilité, des
changements rapides de topologie et des contraintes de ressources qui rendent le routage un grand défi.
Dans notre travail, nous proposons un nouveau mécanisme pour améliorer la qualité des chemins
sélectionnés, Dans le mécanisme propose, la sélection des chemins est base sur trois critères : la vitesse
relative entre les nœuds, l’énergie et le degré d’accessibilité. Nous avons appliqué ce mécanisme au
protocole OLSR (Optimized Link State Routing) en modifiant la sélection des MPRs (Multipoint
Relays), Notre protocole amélioré est baptisé RS-OLSR, Les résultats de simulation ont montré que
RS-OLSR augmente le nombre total de paquets reçus par rapport à OLSR standard, ce qui reflète une
amélioration du taux de livraison des paquets
Communication in IoT Environments Decentralization and Resilience via Brokers
(university of bordj bou arreridj, 2025) Benzerroug Yasser
The rapid expansion of the Internet of Things (IoT) has led to an increasing demand
for communication protocols that are efficient, scalable, and reliable—especially in
environments with limited resources. Among these, MQTT (Message Queuing Telemetry
Transport) has emerged as a lightweight protocol particularly well suited for constrained
IoT systems. However, as devices become more distributed geographically, new challenges
arise in ensuring communication that is both decentralized and resilient.
This thesis addresses these challenges by exploring two real-world scenarios where
MQTT is used to ensure system robustness and flexibility. The first involves a critical
healthcare environment, where we implemented a fault-tolerant architecture using a
Master/Slave model over Apache ActiveMQ with shared persistent storage. This
setup ensures automatic broker failover with no interruption in data transmission or
alert delivery, which is vital in medical emergencies. The second scenario focuses on
decentralization through broker bridging, using Mosquitto to interconnect remote sites—a
retirement home and a hospital. In this case, critical alerts from the retirement home
are selectively forwarded to the hospital’s dashboard, reducing traffic while maintaining
responsiveness.
Our contribution lies in the concrete design and implementation of these two
architectures: a highly available broker system for resilience, and a decentralized
communication model for distributed monitoring. We also explore the integration
of WebSockets to deliver real-time alerts to web-based dashboards, further enhancing
usability. Through this work, we demonstrate how MQTT can support both robust
failover mechanisms and scalable, autonomous communication across heterogeneous IoT
environments
Brain MRI Image Segmentation Using YOLO and U-Net Deep Learning Models
(university of bordj bou arreridj, 2025) Dhikra YOUSFI
The precise detection of brain tumors is crucial in medical practice, and the use of au
tomated segmentation techniques has the potential to improve this significantly. The paper
presents a comparative evaluation of U-Net and YOLOv8 deep learning models for automatic
brain tumor segmentation from magnetic resonance imaging (MRI). U-Net, with its ability to
achieve pixel-level accuracy, performed superiorly in terms of Intersection over Union (IoU)
and Dice coefficient, indicating its robustness in boundary delineation. In contrast, YOLOv8
had better precision and recall, thus being more appropriate for fast segmentation. The com
parison was made with the standard metrics of precision, recall, IoU, Dice coefficient, and F1
score, providing a well-rounded evaluation. The findings show that U-Net is better at gener
ating precise segmentation boundaries, whereas YOLOv8 performs better when it comes to
detecting tumors quickly and accurately. This comparison provides important insights for the
determination of the most appropriate model depending on specific application requirements.