http://dspace.centre-univ-mila.dz/jspui/handle/123456789/8 2026-11-02T15:33:48Z 2026-11-02T15:33:48Z Khawla , Boukheche , Bouchair Mouna http://dspace.centre-univ-mila.dz/jspui/handle/123456789/5046 2026-10-22T09:09:38Z 2026-06-01T00:00:00Z

Titre: Intelligent Intrusion Detection in IoT Networks Using Data Mining and Machine Learning Techniques Auteur(s): Khawla , Boukheche , Bouchair Mouna Résumé: The rapid expansion of Internet of Things (IoT) technologies has introduced major cybersecurity challenges due to the increasing number of connected and resource-constrained devices vulnerable to various berattacks. In this context, Intrusion Detection Systems (IDS) play a fundamental role in protecting IoT environments against malicious activities and unauthorized access.This thesis aims to design and develop an efficient IDS framework based on machine learning and deep learning techniques for IoT security. A comprehensive eoretical study was first conducted on IoT concepts, architectures, communication protocols, and security challenges, along with an overview of intrusion detection systems and the most widely used datasets in this field. In the practical part, the CICIoT2023 dataset was utilized and processed through several preprocessing stages, including data cleaning, attack label grouping, encoding, class imbalance handling, data normalization, and feature selection. Multiple machine learning and deep learning models were then trained and evaluated using standard performance metrics such as accuracy, precision, recall, and F1-score. In addition, mputational efficiency metrics including training time, inference speed, and model size were analyzed to evaluate the suitability of each model for IoT environments. The experimental results demonstrated that tree-based machine learning models, particularly XGBoost and LightGBM, achieved superior classification performance while maintaining low computational cost compared to deep learning models. Furthermore, explainability techniques such as SHAP (SHapley Additive exPlanations) were integrated to improve model interpretability and identify the most influential network traffic features in the decision-making process. In conclusion, this study highlights the effectiveness of machine learning approaches in improving intrusion detection systems for IoT security hile emphasizing the importance of balancing detection performance, computational efficiency, and model terpretability in modern cybersecurity applications. Description: L’expansion rapide des technologies de l’Internet des objets (IoT) a entraîné une augmentation considérable du nombre d’appareils connectés, créant ainsi d’importants défis de sécurité en raison de leur vulnérabilité face aux cyberattaques. Dans ce contexte, les systèmes de détection d’intrusion (IDS) jouent un rôle essentiel dans la protection des environnements IoT contre les activités malveillantes et les accès non autorisés.Ce mémoire vise à concevoir et développer un système IDS efficace basé sur les techniques d’apprentissage automatique et d’apprentissage profond pour la sécurité des environnements IoT. Une étude théorique approfondie a d’abord été réalisée sur les concepts de l’IoT, ses architectures, ses protocoles de communication et ses défis de sécurité, ainsi qu’un aperçu des systèmes IDS et des jeux de données les plus utilisés dans ce domaine. Dans la partie pratique, le jeu de données CICIoT2023 a été utilisé et traité à travers plusieurs étapes de prétraitement, le nettoyage des données, le regroupement des attaques, le codage, la gestion du déséquilibre des classes, la normalisation des données et la sélection des caractéristiques. Plusieurs modèles pprentissage automatique et d’apprentissage profond ont ensuite été entraînés et évalués à l’aide de métriques standards telles que l’exactitude, la précision, le rappel et la mesure F1. De plus, des métriques d’efficacité putationnelle telles que le temps d’entraînement, la vitesse d’inférence et la taille des modèles ont été analysées afin d’évaluer leur adéquation aux environnements IoT. Les résultats expérimentaux ont montré que les modèles d’apprentissage automatique basés sur les arbres, en particulier XGBoost et LightGBM, offrent d’excellentes performances de classification tout en conservant un faible coût computationnel par rapport aux modèles d’apprentissage profond. En outre, les techniques d’explicabilité telles que SHAP (SHapley Additive Planations) ont été intégrées afin d’améliorer l’interprétabilité des modèles et d’identifier les caractéristiques réseau les plus influentes dans le processus de décision. En conclusion, cette étude met en évidence l’efficacité des approches d’apprentissage automatique pour améliorer les systèmes IDS destinés aux environnements IoT, tout en soulignant l’importance d’équilibrer les performances de détection, l’efficacité computationnelle et l’interprétabilité des modèles dans les applications modernes de cybersécurité.

2026-06-01T00:00:00Z Yaakoub , Remmache , Lecheheb Nabil http://dspace.centre-univ-mila.dz/jspui/handle/123456789/5045 2026-10-22T09:00:40Z 2026-06-01T00:00:00Z

Titre: Analysis and Evaluation of Dimensionality Reduction Techniques in the Context of Network Intrusion Detection System Auteur(s): Yaakoub , Remmache , Lecheheb Nabil Résumé: The rapid expansion of computer networks has increased the frequency and sophistication of cyberattacks, making Intrusion Detection Systems (IDS) a critical line of defense for protecting network infrastructures. though Machine Learning (ML) has significantly improved the detection capabilities of IDS, modern network traffic often produces massive and high-dimensional datasets. This high dimensionality, commonly referred to as the curse of dimensionality, can lead to high computational complexity, increased model complexity, and overfitting, which may reduce the ability of ML models to accurately detect cyber threats. This study addresses this issue by comparing several feature selection and feature reduction techniques in the context of ML-based IDS. The adopted techniques include ANOVA and Mutual Information as filter-based methods, Random Forest and Lasso L1 regularization as embedded methods, in addition to two hybrid techniques designed to leverage the advantages of simpler feature selection approaches, and PCA. The experimental evaluation is conducted using two well-known IDS datasets, namely CIC-IDS2017 and CSE-CIC-IDS2018. All experiments are based on the XGBoost algorithm, which is widely recognized for its strong predictive performance and effectiveness in classification tasks. The obtained results for both binary and multiclass classification show promising rformance and provide valuable insights into the role of dimensionality reduction in enhancing the effectiveness,efficiency, and generalization ability of ML-based IDS Description: L’expansion rapide des réseaux informatiques a entraîné une augmentation de la fréquence et de la phistication des cyberattaques, faisant des systèmes de détection d’intrusions (Intrusion Detection Systems, IDS) une ligne de défense essentielle pour la protection des infrastructures réseau. Bien que l’apprentissage automatique (ML) ait considérablement amélioré les capacités de détection des IDS, le trafic réseau moderne génère souvent des ensembles de données massifs et de grande dimension. Cette forte dimensionnalité, communément appelée malédiction de la dimensionnalité, peut engendrer une complexité computationnelle élevée, une augmentation de la complexité des modèles ainsi qu’un risque de surapprentissage, ce qui peut réduire la capacité des modèles de ML à détecter avec précision les cybermenaces. Cette étude aborde cette problématique en comparant plusieurs techniques de sélection et de réduction de caractéristiques dans le contexte des IDS basés sur le ML. Les techniques adoptées comprennent ANOVA et l’information mutuelle en tant que méthodes de type filtre, Random Forest et la régularisation Lasso L1 en tant que méthodes intégrées, ainsi que deux approches hybrides conçues pour tirer parti des avantages des méthodes simples de sélection de caractéristiques, en plus de l’analyse en composantes principales (PCA). L’évaluation expérimentale est menée à l’aide de deux ensembles de données IDS bien connus, à savoir CIC-IDS2017 et CSE-CIC-IDS2018. Toutes les expérimentations reposent sur l’algorithme XGBoost, largement reconnu pour ses fortes rformances prédictives et son efficacité dans les tâches de classification. Les résultats obtenus, aussi bien pour la lassification binaire que multiclasse, montrent des performances prometteuses et fournissent des indications précieuses sur le rôle de la réduction de dimensionnalité dans l’amélioration de l’efficacité, de l’efficience et de la capacité de généralisation des IDS basés sur le ML.

2026-06-01T00:00:00Z Alaeddine , Bellili , Bouabibsa Hicham Hicham http://dspace.centre-univ-mila.dz/jspui/handle/123456789/5044 2026-10-22T08:55:38Z 2026-06-01T00:00:00Z

Titre: An approach for infant cry sound classification Auteur(s): Alaeddine , Bellili , Bouabibsa Hicham Hicham Résumé: Infant cry analysis is a promising application of artificial intelligence and audio signal processing, as crying represents the primary means of communication during the first months of life. This work aims to develop an intelligent system capable of automatically classifying infant cries according to the need expressed by the infant. The study is based on the Donate-a-Cry dataset, which contains five cry categories: hungry, discomfort, belly pain, burping, and tiredness. This dataset reflects real-world infant crying conditions, where hungry is one of the most common causes of crying during early infancy, naturally resulting in a larger representation of this category compared to the others. Consequently, classification challenges arise that require models capable of maintaining balanced performance across all cry types. To address these challenges, a Hierarchical assification Framework (HCF) combining Support Vector Machines (SVM) and Random Forest (RF) is roposed, together with acoustic feature extraction, data augmentation, and SMOTE-based oversampling techniques to improve model generalization. In addition, a Streamlit based web application was developed to enable real-time infant cry classification and provide an accessible tool for parents and caregivers. Description: L’analyse des pleurs des nourrissons constitue une application prometteuse de l’intelligence artificielle et du traitement du signal audio, les pleurs représentant le principal moyen de communication durant les premiers mois de la vie. Ce travail vise à développer un système intelligent capable de classifier automatiquement les pleurs des nourrissons selon le besoin exprimé. L’étude s’appuie sur la base de données Donate-a-Cry, qui comprend cinq catégories de pleurs : la faim, l’inconfort, les douleurs abdominales, le rot et la fatigue. Cette base de données reflète les conditions réelles dans lesquelles les pleurs des nourrissons sont observés, la faim étant l’une des causes les plus fréquentes de pleurs au cours de la petite enfance. Il en résulte urellement une représentation plus importante de cette catégorie par rapport aux autres. Cette caractéristique engendre des défis de classification nécessitant des modèles capables de maintenir des performances équilibrées pour l’ensemble des types de pleurs. Pour relever ces défis, un cadre de classification hiérarchique (HCF) ombinant les Machines à Vecteurs de Support (SVM) et les Forêts Aléatoires (RF) est proposé, en s’appuyant sur l’extraction de caractéristiques acoustiques, l’augmentation des données et le suréchantillonnage par SMOTE afin d’améliorer la capacité de généralisation du modèle. En outre, une application web développée avec Streamlit a été réalisée pour permettre la classification des pleurs en temps réel et fournir un outil pratique aux parents et aux aidants

2026-06-01T00:00:00Z Yahia , Boulbene , Bouakline Fareh http://dspace.centre-univ-mila.dz/jspui/handle/123456789/5043 2026-10-22T08:36:54Z 2026-06-01T00:00:00Z

Titre: An AI-powered self-defence system for Web Applications Auteur(s): Yahia , Boulbene , Bouakline Fareh Résumé: Avec le développement rapide des applications web, les sites internet sont devenus des cibles fréquentes pour différentes attaques informatiques. Les méthodes de sécurité traditionnelles restent utiles, mais elles ne sont plus toujours suffisantes face à des attaques de plus en plus complexes.Ce mémoire présente la conception et le développement d’un système d’auto-défense pour applications web basé sur l’intelligence artificielle. L’objectif principal est d’exploiter les capacités de l'apprentissage automatique, une branche clé de l'IA, afin de détecter automatiquement les requêtes malveillantes avant qu’elles ne compromettent la sécurité de l’application. Dans ce cadre, nous étudions plusieurs types d’attaques web courantes, notamment les injections SQL, les attaques Cross-Site Scripting (XSS), les attaques Cross-Site Request Forgery (CSRF) ainsi que d’autres menaces ciblant les applications web.Pour entraîner et évaluer les modèles d’intelligence artificielle, deux ensembles de données spécialisés ont été utilisés : SRBH-2020 et CSIC-ECML Combined Dataset. Les données ont subi différentes étapes de prétraitement, de nettoyage et de transformation afin de les rendre exploitables par les algorithmes de classification. Plusieurs modèles d’apprentissage automatique, notamment CatBoost, LightGBM et Random Forest, ont ensuite été implémentés et comparés afin d’identifier la solution la plus performante pour la détection des attaques.Enfin, le modèle retenu a été intégré dans une application web de vente de matériel informatique afin de constituer un mécanisme de défense intelligent capable d’analyser les requêtes HTTP en temps réel et de distinguer automatiquement les requêtes légitimes des tentatives d’attaque. Les résultats expérimentaux obtenus démontrent que l’intégration de l’intelligence artificielle dans les applications web permet d’améliorer significativement la détection des menaces et de renforcer la sécurité globale du système Description: With the rapid growth of web applications, websites have become frequent targets of various cyberattacks. Traditional security mechanisms remain useful; however, they are not always sufficient to cope with ncreasingly sophisticated threats.This thesis presents the design and development of an AI-based self-defense system for web applications. The main objective is to leverage the capabilities of machine learning, a key branch of AI, to automatically detect malicious requests before they can compromise the security of the application. In this context, several common web attacks are investigated, including SQL Injection, Cross-Site Scripting (XSS), Cross-Site Request Forgery (CSRF), and other threats targeting web applications.To train and evaluate the artificial intelligence models, two specialized datasets were used: SRBH-2020 and the CSIC-ECML Combined Dataset. The data underwent several preprocessing, cleaning, and transformation stages to make them suitable for classification algorithms. Several machine learning models, namely CatBoost, LightGBM, and Random Forest, were then implemented and compared in order to identify the most effective solution for attack detection.Finally, the selected model was integrated into a web-based computer hardware sales application to establish an intelligent defence mechanism capable of analyzing HTTP requests in real time and automatically distinguishing legitimate requests from attack attempts. The experimental results demonstrate that the integration of artificial intelligence into web applications can significantly improve threat detection and enhance the overall security of the system.

2026-06-01T00:00:00Z