https://repository.esi-sba.dz/jspui/handle/123456789/7 2026-07-19T00:59:52Z 2026-07-19T00:59:52Z OUCHENE, CHakib https://repository.esi-sba.dz/jspui/handle/123456789/909 2026-07-13T07:53:57Z 2025-01-01T00:00:00Z

Titre: Green Information Systems: An Integrated Approach for Energy Scoring and Power Consumption Optimization Auteur(s): OUCHENE, CHakib Résumé: In a context where ecological transition has become a major priority, optimizing the energy consumption of data centers and information systems (IS) has emerged as a critical challenge. These infrastructures, which integrate servers, storage, networking, and cooling systems consume an increasing share of global electricity and contribute significantly to the digital carbon footprint. This work proposes an integrated methodology for evaluating and optimizing the energy performance of information systems, leveraging the information system cartography platform developed by Uncia SAS. The approach is structured around two complementary dimensions: • Evaluation and energy scoring: calculation of a global score for energy consumption and carbon impact, based on the assessment of IS components (servers, applications). This scoring identifies the most energy-intensive elements and positions the overall system on an efficiency scale. • Optimization and sustainability: beyond evaluation, the methodology integrates optimization strategies covering the entire lifecycle of infrastructures (manufacturing, usage, end-of-life). It includes right-sizing of IT resources, workload management, optimized hardware configurations, adoption of low-carbon energy sources, and site selection guided by Power Usage Effectiveness (PUE) and Carbon Usage Effectiveness (CUE). The objective is to provide organizations with a decision-support tool that aligns their digital strategy with Green IT principles. By delivering clear and actionable insights into the energy and carbon footprint of applications, this methodology offers practical recommendations to reduce consumption, improve efficiency, and minimize environmental impact, while ensuring performance, availability, and security. Description: Encadreur : M. MALKI Abdelhamid Encadreur : M. ELKHOUROUJ Rayhane

2025-01-01T00:00:00Z MAACHOU, YAhia SAdek https://repository.esi-sba.dz/jspui/handle/123456789/908 2026-07-13T07:47:05Z 2025-01-01T00:00:00Z

Titre: Building Digital Twins with Test-Driven Development to Boost IoT System Resilience Auteur(s): MAACHOU, YAhia SAdek Résumé: The concept of Digital Twins Digital Twin (DT) has gained prominence with the proliferation of Internet of Things Internet of Things (IoT) systems, enabling virtual representations of physical entities to monitor and optimize performance. However, the development of DTs often lacks robust methodologies to ensure resilience against disruptions such as cyber-attacks, hardware failures, or data inconsistencies. This paper explores the potential of a Test-Driven Development Test Driven Development (TDD) methodology to enhance the resilience of DTs within IoT ecosystems. The proposed approach introduces a structured TDD framework with distinct phases,Red, Orange, Yellow, and Green zones,to systematically design and validate DTs. Integrated with the Asset Administration Shell Asset Adminsitration Shell (AAS), this methodology facilitates the management of heterogeneous data, enabling DTs to withstand errors and maintain operational integrity. The study aims to deőne the TDD principles and AAS integration for DT construction, develop a TDD-based methodology to create resilient DTs for IoT systems, and assess the effectiveness of this approach in improving DT resilience.*** Le concept de jumeaux numériques (Digital Twins, DT) émerge avec la multiplication des systèmes IoT, en s’appuyant sur une représentation virtuelle des entités physiques permettant de surveiller et d’optimiser leurs performances. Cependant, l’essor des DT peine à s’appuyer sur des méthodologies robustes pour garantir leur résilience face aux perturbations, telles que les cyberattaques, les pannes matérielles ou les erreurs de données. Ce travail s’intéresse au potentiel d’une méthodologie de développement dirigée par les tests (Test-Driven Development, TDD) pour renforcer la résilience des DT dans les écosystèmes IoT. L’approche proposée consiste à introduire un cadre de TDD structuré en différentes phases , zones Rouge, Orange, Jaune et Verte , aőn de concevoir et valider systématiquement les DT. En intégrant l’Asset Administration Shell (AAS), cette méthodologie permet de gérer des données hétérogènes et de garantir la capacité du DT à faire face aux erreurs, tout en préservant l’intégrité de ses opérations. L’étude vise à déőnir les principes du TDD et à intégrer l’AAS pour la construction des DT, à développer une méthodologie TDD adaptée aux défaillances des systèmes IoT, et à tester l’efficacité de cette approche pour améliorer la résilience des DT Description: Encadreur : Mr Malki Mimoun Encadreur : Mr Jannik Laval Encadreur : Mme Baba Ahmed Manel

2025-01-01T00:00:00Z OUZANE, MOhamed CHakib https://repository.esi-sba.dz/jspui/handle/123456789/907 2026-07-13T07:41:33Z 2025-01-01T00:00:00Z

Titre: Toward Secure IoT-Based Smart Systems: A Focus on Security in IoT Network Protocols Auteur(s): OUZANE, MOhamed CHakib Résumé: Nowadays, smart systems are experiencing a global popularity, driven by a rapid advancement of information technology and the integration of Internet of Things (IoT) devices. These technologies transform how we interact with indoor and outdoor environments by enabling automation, optimizing energy efficiency, and enhancing environmental monitoring. However, as IoT-enabled systems scale up in smart cities, they encounter significant security challenges. These challenges are directly tied to the underlying network protocols and their vulnerabilities, particularly in Low-power and Lossy Networks (LLNs). Addressing these challenges requires innovative approaches to strengthen the security of network protocols in IoT systems, especially those operating within LLNs, where resource constraints and network instability further complicate the application of security measures. Artificial Intelligence (AI) and Machine Learning (ML) are increasingly being utilized to detect and mitigate security threats in real-time by analyzing network behavior and identifying anomalies. However, traditional ML approaches often require centralized data collection, which can introduce privacy risks and scalability issues. To overcome this, Federated Learning (FL) offers a decentralized alternative, enabling IoT devices within LLNs to collaboratively improve security models without exposing sensitive data. This thesis contributes by proposing and analyzing two novel DIS-based attacks, TIDE and DRIFT, in simulated RPL networks, and by designing a federated learning–based detection and mitigation framework. The proposed solution enhances the security and resilience of RPL-based IoT networks while addressing privacy, scalability, and resource efficiency concerns.*** De nos jours, les systèmes intelligents connaissent un essor mondial, porté par les avancées rapides des technologies de l’information et l’intégration des dispositifs de l’Internet des objets (IoT). Ces technologies transforment notre interaction avec les environnements intérieurs et extérieurs en permettant l’automatisation, en optimisant l’efficacité énergétique et en améliorant la surveillance environnementale. Cependant, à mesure que les systèmes basés sur l’IoT se déploient à grande échelle dans les villes intelligentes, ils rencontrent d’importants défis en matière de sécurité. Ces défis sont directement liés aux protocoles réseau sous-jacents et à leurs vulnérabilités, en particulier dans les réseaux à faible consommation et à pertes (LLNs). Relever ces défis nécessite des approches innovantes pour renforcer la sécurité des protocoles réseau dans les systèmes IoT, en particulier ceux fonctionnant au sein des LLNs, où les contraintes de ressources et l’instabilité du réseau compliquent davantage l’application des mesures de sécurité. L’intelligence artificielle (IA) et l’apprentissage automatique (ML) sont de plus en plus utilisés pour détecter et atténuer les menaces de sécurité en temps réel en analysant le comportement du réseau et en identifiant les anomalies. Cependant, les approches traditionnelles du ML nécessitent souvent une collecte centralisée des données, ce qui peut entraîner des risques pour la confidentialité et des problèmes de mise à l’échelle. Pour pallier ces limitations, l’apprentissage fédéré (FL) propose une alternative décentralisée, permettant aux dispositifs IoT au sein des LLNs d’améliorer collaborativement les modèles de sécurité sans exposer de données sensibles. Cette thèse contribue en proposant et en analysant deux nouvelles attaques basées sur DIS, TIDE et DRIFT, dans des réseaux RPL simulés, et en concevant un cadre de détection et de mitigation basé sur l’apprentissage fédéré. La solution proposée améliore la sécurité et la résilience des réseaux IoT basés sur RPL, tout en répondant aux préoccupations liées à la confidentialité, à la scalabilité et à l’efficacité des ressources. Description: Supervisor : Mr RAHMOUN Abdelatif Co-Supervisor : Mr BOUDOUAIA Mohammed Amine

2025-01-01T00:00:00Z NEDJAA, INes https://repository.esi-sba.dz/jspui/handle/123456789/906 2026-07-13T07:36:23Z 2025-01-01T00:00:00Z

Titre: AI-Powered Darknet Detection for Cyber Threat Hunting Auteur(s): NEDJAA, INes Résumé: The darknet has emerged as a covert environment for illicit activities, enabling adversaries to distribute malware, conduct illegal trade, and coordinate cyberattacks beyond the reach of traditional monitoring systems. Its encrypted and obfuscated traffic presents serious challenges for organizations, creating blind spots that hinder proactive defense strategies such as cyber threat hunting. Addressing this gap requires intelligent detection frameworks capable of analyzing network flows in real time and accurately identifying darknet-related anomalies. This research introduces an AI-driven darknet traffic detection framework that integrates machine learning, deep learning, and meta-learning to support cyber threat hunting operations. The framework is trained and evaluated on the CICDarknet2020 dataset, which provides a comprehensive collection of darknet and non-darknet traffic. For traffic type classification, we employ machine learning models including K-Nearest Neighbors, Decision Tree, Random Forest, XGBoost, and Logistic Regression, alongside deep learning architectures such as LSTM and CNN. To enhance accuracy and efficiency, feature selection is performed using Mutual Information, Recursive Feature Elimination, and Random Forest-based selection, while hyperparameter optimization is conducted with HalvingRandomSearchCV. For application type classification, the same set of machine learning and deep learning models, feature selection strategies, and hyperparameter optimization techniques are applied. In addition, a meta-learning approach is implemented to dynamically leverage predictions from base learners, ensuring optimal model selection for each instance. Experimental results demonstrate that Random Forest achieves the highest accuracy for traffic type classification, while the meta-learning framework significantly improves application type detection over individual ML/DL models. Furthermore, real-time evaluation using live network traffic confirms the system’s practicality and robustness, proving its effectiveness in operational environments. This research delivers an efficient, accurate, and real-time darknet detection solution that combines advanced AI techniques with optimized feature selection to empower cyber threat hunters, reduce attacker dwell time, and strengthen organizational resilience against evolving cyber threats.*** Le darknet s’est imposé comme un environnement clandestin facilitant les activités illicites, permettant à des acteurs malveillants de distribuer des logiciels malveillants, de mener des transactions illégales et de coordonner des cyberattaques en dehors de la portée des systèmes de surveillance traditionnels. Son trafic chiffré et obscurci présente des défis majeurs pour les organisations, créant des angles morts qui entravent les stratégies de défense proactive telles que la chasse aux cybermenaces. Combler cette lacune nécessite des systèmes de détection intelligents capables d’analyser les flux réseau en temps réel et d’identifier avec précision les anomalies liées au darknet. Cette recherche propose un système de détection du trafic darknet piloté par l’intelligence artificielle, qui intègre l’apprentissage automatique, l’apprentissage profond et le méta-apprentissage pour soutenir les opérations de chasse aux menaces. Le système est entraîné et évalué sur le jeu de données CICDarknet2020, qui offre une collection complète de trafic darknet et non-darknet. Pour la classification du type de trafic, nous utilisons des modèles d’apprentissage automatique (K-Nearest Neighbors, Arbre de Décision, Random Forest, XGBoost, et Régression Logistique) ainsi que des architectures d’apprentissage profond (LSTM et CNN). Pour améliorer la précision et l’efficacité, une sélection des caractéristiques est effectuée à l’aide de l’Information Mutuelle, l’Élimination Récursive des Caractéristiques (RFE) et une sélection basée sur Random Forest, tandis que l’optimisation des hyperparamètres est réalisée avec HalvingRandomSearchCV. La même méthodologie est appliquée pour la classification du type d’application. De plus, une approche de méta-apprentissage est mise en oeuvre pour exploiter dynamiquement les prédictions des modèles de base, garantissant une sélection optimale du modèle pour chaque instance. Les résultats expérimentaux démontrent que l’algorithme Random Forest obtient la meilleure précision pour la classification du type de trafic, tandis que le cadre de métaapprentissage améliore significativement la détection du type d’application par rapport aux modèles individuels. De plus, une évaluation en temps réel utilisant du trafic réseau live confirme la praticité et la robustesse du système, prouvant son efficacité en environnement opérationnel. Cette recherche offre une solution de détection darknet efficace, précise et fonctionnant en temps réel. Elle combine des techniques avancées d’IA avec une sélection optimisée des caractéristiques pour renforcer les capacités des chasseurs de menaces, réduire le temps d’infiltration des attaquants et améliorer la résilience des organisations face aux cybermenaces en évolution Description: Supervisor : Dr. KHALDI Miloud

2025-01-01T00:00:00Z