https://repository.esi-sba.dz/jspui/handle/123456789/11 2026-02-01T12:29:52Z https://repository.esi-sba.dz/jspui/handle/123456789/767 Titre: SMART VERTICAL AEROPONIC FARMING SYSTEMS Auteur(s): BENKABLIA, YOunes ABdallah Résumé: Progress is essential in every sector of life, including agriculture. Vertical aeroponic farming represents a revolutionary solution to modern challenges, particularly in densely populated urban areas and regions with poor soil quality. This research focuses on making vertical aeroponic farming not only innovative but also automated and smart. By integrating deep learning algorithms to monitor plant health and machine learning models to optimize growing conditions, this system automates essential tasks for improved productivity.The system utilizes the Internet of Things (IoT) to connect sensors, AI models, and a mobile application, providing farmers with real-time information and control over their crops. This smart vertical aeroponic farming solution offers an efficient, data-driven approach to farming, ensuring healthier plants and higher yields through constant monitoring and optimization. *** Le progrès est essentiel dans tous les secteurs de la vie, y compris l’agriculture. L’agriculture verticale aéroponique représente une solution révolutionnaire aux déős modernes, en particulier dans les zones urbaines densément peuplées et les régions avec des sols de mauvaise qualité. Cette recherche se concentre sur la création d’une agriculture verticale aéroponique non seulement innovante, mais aussi automatisée et intelligente. En intégrant des algorithmes d’apprentissage profond pour surveiller la santé des plantes et des modèles d’apprentissage automatique pour optimiser les conditions de croissance, ce système automatise les tâches essentielles pour améliorer la productivité. Le système utilise l’Internet des objets (IoT) pour connecter des capteurs, des modèles d’IA et une application mobile, fournissant aux agriculteurs des informations en temps réel et un contrôle sur leurs cultures. Cette solution intelligente d’agriculture verticale aéroponique offre une approche efficace et basée sur les données pour l’agriculture, assurant des plantes plus saines et des rendements plus élevés grâce à une surveillance et une optimisation constantes. Description: Encadreur : M. RAHMOUN Abdelatif / M.hamdane bensenane 2024-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/766 Titre: EXPLORING THE CURRENT STATE OF PLANTS ANOMALY DETECTION Auteur(s): BENKABLIA, YOunes ABdallah Résumé: Progress is essential in every sector of life, including agriculture. Vertical aeroponic farming represents a revolutionary solution to modern challenges, particularly in densely populated urban areas and regions with poor soil quality. This research focuses on making vertical aeroponic farming not only innovative but also automated and smart. By integrating deep learning algorithms to monitor plant health and machine learning models to optimize growing conditions, this system automates essential tasks for improved productivity.The system utilizes the Internet of Things (IoT) to connect sensors, AI models, and a mobile application, providing farmers with real-time information and control over their crops. This smart vertical aeroponic farming solution offers an efficient, data-driven approach to farming, ensuring healthier plants and higher yields through constant monitoring and optimization. *** Le progrès est essentiel dans tous les secteurs de la vie, y compris l’agriculture. L’agriculture verticale aéroponique représente une solution révolutionnaire aux déős modernes, en particulier dans les zones urbaines densément peuplées et les régions avec des sols de mauvaise qualité. Cette recherche se concentre sur la création d’une agriculture verticale aéroponique non seulement innovante, mais aussi automatisée et intelligente. En intégrant des algorithmes d’apprentissage profond pour surveiller la santé des plantes et des modèles d’apprentissage automatique pour optimiser les conditions de croissance, ce système automatise les tâches essentielles pour améliorer la productivité. Le système utilise l’Internet des objets (IoT) pour connecter des capteurs, des modèles d’IA et une application mobile, fournissant aux agriculteurs des informations en temps réel et un contrôle sur leurs cultures. Cette solution intelligente d’agriculture verticale aéroponique offre une approche efficace et basée sur les données pour l’agriculture, assurant des plantes plus saines et des rendements plus élevés grâce à une surveillance et une optimisation constantes. Description: Encadreur :M. RAHMOUN Abdelatif / M.hamdane bensenane 2024-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/761 Titre: Intrusion Detection System based on Deep learning and Complex event processing for IoT environments Auteur(s): BELMILOUD, Ilyes DHiaeddine Résumé: The rapid expansion of the Internet of Things (IoT) and Industrial IoT (IIoT) ecosystems has introduced significant security challenges, particularly in protecting these networks from cyberattacks. This thesis presents an advanced Intrusion Detection System (IDS) that combines machine learning, rule-based classification, and Complex Event Processing (CEP) to detect and respond to network intrusions in real-time. The IDS is built using the Edge-IIoTset dataset, which contains a variety of cyberattack scenarios relevant to IoT/IIoT environments. A hybrid deep learning model, incorporating Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU), was developed to label and classify the dataset, achieving an accuracy of 96.68%. The IDS further incorporates rule-based classifiers, such as PART, for rule extraction. These rules were deployed within the Esper CEP engine, enabling real-time detection and alerting. The IDS is complemented by a web-based dashboard built using AdminLTE, which provides real-time insights into the types and frequency of detected attacks, enhancing network security management. This approach effectively balances high detection accuracy with interpretability, making it suitable for real-time deployment in resource-constrained IoT environments. Finally, the thesis discusses the limitations of the proposed system and suggests future research directions, including the exploration of federated learning, multi-stage attack detection, and adaptive IDS models to further improve security in evolving IoT ecosystems. *** L’expansion rapide des écosystèmes de l’Internet des objets (IoT) et de l’IoT industriel (IIoT) a introduit des défis de sécurité importants, notamment dans la protection de ces réseaux contre les cyberattaques. Cette thèse présente un système de détection d’intrusion (IDS) avancé combinant l’apprentissage automatique, la classification basée sur des règles et le traitement d’événements complexes (CEP) pour détecter et répondre aux intrusions réseau en temps réel. L’IDS est construit à partir du jeu de données Edge-IIoTset, qui contient une variété de scénarios de cyberattaques pertinents pour les environnements IoT/IIoT. Un modèle d’apprentissage profond hybride, incorporant des réseaux neuronaux convolutifs (CNN), des mémoires à long terme (LSTM) et des unités récurrentes à portes (GRU), a été développé pour étiqueter et classifier le jeu de données, atteignant une précision de 96,68 %. L’IDS intègre également des classificateurs basés sur des règles, tels que PART, pour l’extraction de règles. Ces règles ont été déployées dans le moteur CEP Esper, permettant une détection et des alertes en temps réel. L’IDS est complété par un tableau de bord web développé avec AdminLTE, offrant des informations en temps réel sur les types et la fréquence des attaques détectées, améliorant ainsi la gestion de la sécurité réseau. Cette approche équilibre efficacement une haute précision de détection avec une interprétabilité, la rendant adaptée pour un déploiement en temps réel dans des environnements IoT à ressources limitées. Enfin, la thèse discute des limites du système proposé et suggère des pistes de recherche futures, notamment l’exploration de l’apprentissage fédéré, la détection d’attaques en plusieurs étapes et les modèles IDS adaptatifs pour améliorer la sécurité dans des écosystèmes IoT en évolution. Description: Supervisor : Ms. Amina Souyah Co-Supervisor : Mr. Mohamed Neffah 2024-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/760 Titre: Intrusion Detection System based on Deep learning and Complex event processing for IoT environments Auteur(s): BELMILOUD, Ilyes DHiaeddine Résumé: The rapid expansion of the Internet of Things (IoT) and Industrial IoT (IIoT) ecosystems presents significant security challenges, particularly in safeguarding these networks from cyber threats. This thesis explores the use of Artificial Intelligence (AI) in enhancing Intrusion Detection Systems (IDS) for IoT environments. Specifically, the research investigates the application of advanced AI techniques, such as deep learning and Complex Event Processing (CEP), to improve the detection of network intrusions. Through an extensive literature review, this thesis highlights the potential of hybrid AI models, including Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU), in capturing complex patterns in network traffic. Furthermore, the integration of CEP offers real-time detection and response capabilities. The study concludes with a discussion of the challenges, opportunities, and future research directions for AI-based IDS in IoT security, focusing on emerging techniques like federated learning and adaptive IDS models. *** L’expansion rapide des écosystèmes de l’Internet des objets (IoT) et de l’IoT industriel (IIoT) présente d’importants défis de sécurité, notamment dans la protection de ces réseaux contre les cybermenaces. Cette thèse explore l’utilisation de l’intelligence artificielle (IA) pour améliorer les systèmes de détection d’intrusion (IDS) dans les environnements IoT. En particulier, la recherche examine l’application de techniques avancées d’IA, telles que l’apprentissage profond et le traitement d’événements complexes (CEP), pour améliorer la détection des intrusions réseau. À travers une revue de littérature approfondie, cette thèse met en lumière le potentiel des modèles hybrides d’IA, y compris les réseaux neuronaux convolutifs (CNN), les mémoires à long terme (LSTM) et les unités récurrentes à portes (GRU), dans la capture de modèles complexes dans le trafic réseau. De plus, l’intégration du CEP offre des capacités de détection et de réponse en temps réel. L’étude conclut par une discussion des défis, opportunités et pistes de recherche future pour les IDS basés sur l’IA dans la sécurité IoT, avec un accent particulier sur des techniques émergentes telles que l’apprentissage fédéré et les modèles IDS adaptatifs. Description: Supervisor : Ms. Amina Souyah Co-Supervisor : Mr. Mohamed Neffah 2024-01-01T00:00:00Z