https://repository.esi-sba.dz/jspui/handle/123456789/12 2026-07-19T01:00:12Z https://repository.esi-sba.dz/jspui/handle/123456789/829 Titre: Hyperviseurs Type-1 vs Type-2 : analyse comparative de l’architecture, des performances et de l’opérabilité Auteur(s): BEN ELHADJ DJELLOUL, MOhamed ELfateh; SAID MANSOUR, YAhia Résumé: This thesis provides an in-depth comparison of type-1 (bare-metal) and type-2 (hosted) hypervisors in generic production and operational contexts. We őrst present the fundamentals of virtualization (guest execution, MMU assistance, paravirtualization), then evaluate both approaches along concrete axes : performance (CPU/memory/I/O costs, p95/p99 stability), safety/isolation (IOMMU, reduced attack surface), operations (uniőed observability, updates, fault tolerance, live migration), networking (virtio, vhost-user/DPDK, SR-IOV), and economic/energy efficiency (consolidation, density, power consumption). In general, a type-1 foundation delivers more predictable latencies and advanced orchestration capabilities (density, VM mobility), whereas a type-2 foundation speeds up rollout on existing hosts but introduces variability (host-OS dependencies). Building on recent work (optimizations to virtio packed/multiqueue, user-space dataplanes, SR-IOV, adaptive migration policies), we propose practical recommendations for choosing and tuning the stack according to latency, isolation, cost, and scalability objectives.**** Cette thèse compare de manière approfondie les hyperviseurs type 1 (bare-metal) et type 2 (hébergés) dans des contextes génériques de production et d’exploitation. Nous présentons les principes de la virtualisation (exécution invitée, MMU assistée, paravirtualisation), puis évaluons les deux approches selon des axes concrets : performance (coûts CPU/Mémoire/E/S, stabilité p95/p99), sûreté/isolation (IOMMU, réduction de la surface d’attaque), opérations (observabilité uniőée, mises à jour, tolérance aux pannes, migration à chaud), réseau (virtio, vhost-user/DPDK, SR-IOV) et efficience économique/énergétique (consolidation, densité, consommation). De façon générale, un socle type 1 permet des latences plus prévisibles et des capacités d’orchestration avancées (densité, mobilité des VMs), tandis qu’un socle type 2 accélère la mise en route sur postes existants mais ajoute de la variabilité (dépendances à l’OS hôte). À partir de travaux récents (optimisations virtio packed/multiqueue, dataplanes utilisateurs, SR-IOV, politiques de migration adaptatives), nous proposons des recommandations pratiques pour le choix et le tuning de la pile, en fonction des objectifs de latence, d’isolation, de coût et d’évolutivité. Description: Encadreur : Dr. SERHANE Oussama 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/828 Titre: Agentic Paradigms for Reliable LLM Systems Auteur(s): MANSOUR, HOussam Résumé: Language-model–driven agents are increasingly deployed in settings that demand reliability over long horizons. Yet the ecosystem offers many mechanisms with overlapping promises. This thesis synthesizes four dominant paradigms—tool use, planning, feedback/learning, and memory—and asks a practical question: when does each paradigm actually help? We ground our analysis in a common set of failure modes (hallucination, long-horizon credit assignment, exposure bias, tool/API hallucination, forgetting, and compounding error) and map each paradigm to the conditions under which it mitigates these failures. We synthesize that tool use is most effective for knowledge- and computation-centric tasks (grounded retrieval, code/solver execution, API orchestration); planning helps when problems decompose into verifiable subgoals or require look-ahead and search; feedback/learning raises first-pass quality and enables iterative self-correction or preference alignment; and memory confers continuity, personalization, and cost/latency control across sessions. At the same time, we highlight composition-level gaps: the literature rarely evaluates stacked combinations (e.g., ReAct + RAG + Reflexion + tiered memory) under drift, cost, and safety constraints. We conclude with actionable guidance for designing minimal viable compositions, emphasizing verifiable checkpoints, interface observability, and deliberate latency budgeting. The result is a practitioner-oriented framework that links task properties and failure modes to concrete agentic design choices.**** Les agents basés sur des modèles de langage sont de plus en plus utilisés dans des contextes exigeant une fiabilité à long terme. Cependant, l’écosystème propose de nombreux mécanismes aux promesses souvent chevauchantes. Ce mémoire synthétise quatre paradigmes dominants — l’utilisation d’outils, la planification, le retour d’expérience/apprentissage et la mémoire — et pose une question pratique : dans quels cas chaque paradigme est-il réellement utile ? Nous ancrons notre analyse dans un ensemble commun de modes d’échec (hallucination, attribution de crédit à long terme, biais d’exposition, hallucination d’API/outils, oubli et erreur cumulative) et établissons la correspondance entre chaque paradigme et les conditions dans lesquelles il atténue ces défaillances. Nous concluons que l’usage d’outils est le plus efficace pour les tâches centrées sur la connaissance et le calcul ; la planification est bénéfique lorsque les problèmes peuvent être décomposés en sous-objectifs vérifiables ou nécessitent de l’anticipation et de la recherche ; le retour d’expérience et l’apprentissage améliorent la qualité initiale et permettent l’auto-correction ou l’alignement sur les préférences ; enfin, la mémoire assure la continuité, la personnalisation et la maîtrise des coûts et de la latence à long terme. Ce travail propose ainsi un cadre pratique reliant les propriétés des tâches et les modes d’échec aux choix de conception des agents. Description: Supervisor : Dr Mohammed BEDJAOUI 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/827 Titre: Query Optimizer Using Machine Learning Auteur(s): BENSOUKEHAL, FArouk; SOLTANI, ILias ABderahman; SOUFI MERZOUG, ABdelhadi; KADID, YAsser Résumé: Relational databases must turn SQL into efficient execution plans quickly and reliably. Classic optimizers do this with statistics and hand-written rules, which work well on simple, stable data but often struggle with correlations, skew, and changing workloads. This thesis studies when and how machine learning (ML) can help without adding risk or slowing planning. We organize recent work into five stages of the pipeline: estimating result sizes, predicting and ordering plan costs, choosing join orders, selecting among candidate plans, and adapting during execution. For each stage we compare methods by accuracy, planning overhead, worst-case slowdowns, ability to handle drift, and ease of integrating with existing systems, and we summarize the evidence in compact tables. The main finding is pragmatic: hybrids that add learned signals to the existing optimizer are more dependable than attempts to replace it end-to-end. We provide a simple deployment playbookstart with better result-size estimates, add a lightweight re-ranking/selection step, consider guarded search guidance and modest runtime feedback only with fallbacks and limits, and monitor a few clear metrics. Finally, we outline evaluation and reporting practices that focus on overall optimizer impact rather than isolated model accuracy.**** Les bases de donn´ees relationnelles doivent transformer des requˆetes SQL en plans dex´ecution efficaces, rapidement et de fa¸con fiable. Les optimiseurs classiques sappuient sur des statistiques et des r`egles ´ecrites `a la main; cela fonctionne bien lorsque les donn´ees sont simples et stables, mais devient fragile face aux corr´elations, aux d´es´equilibres et aux charges qui ´evoluent. Ce m´emoire examine quand et comment lapprentissage automatique peut aider sans rallonger le temps de planification ni augmenter le risque. Nous structurons les travaux r´ecents en cinq ´etapes du pipeline: estimer la taille des r´esultats, comparer et ordonner les plans, choisir lordre des jointures, s´electionner parmi plusieurs plans propos´es, et sadapter pendant lex´ecution. Pour chaque ´etape, nous discutons la pr´ecision, le surcoˆut, le risque de contre-performance, la capacit´e `a sadapter aux changements et la facilit´e dint´egration, et nous synth´etisons ces ´el´ements dans des tableaux compacts. La conclusion est pragmatique: les approches hybrides qui ajoutent des signaux appris `a loptimiseur existant sont plus fiables que les tentatives de le remplacer enti` erement. Nous proposons un guide simple de d´eploiement (mieux estimer, reclasser l´eg`erement les plans, nactiver le guidage de recherche et ladaptation `a lex´ecution quavec des garde-fous) et recommandons une ´evaluation centr´ee sur limpact de bout en bout plutˆot que sur des m´etriques de mod`ele isol´ees. Description: Supervisor: Mr KECHAR Mohamed 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/826 Titre: Proactive SEO: A Comparative Analysis of Predictive Strategies for Content and Keyword Planning Auteur(s): ELMESTARI, ABdelmounaim Résumé: Modern Search Engine Optimization (SEO) is often trapped in a reactive cycle, where businesses are forced to respond to market changes only after they have occurred, leading to missed opportunities and inefficient use of resources. This thesis explores a more powerful, forward-looking alternative: a Proactive SEO strategy. By leveraging predictive analytics and a touch of AI, this approach enables organizations to anticipate future trends and user needs before they become mainstream. This research conducts a comparative analysis of six distinct predictive methods, ranging from traditional expert analysis to advanced, data-driven techniques. The study evaluates the strengths, weaknesses, and ideal use cases for each, providing a clear overview of the modern strategic toolkit. The findings from this analysis are synthesized to illuminate the critical trade-offs between each predictive method. It is demonstrated that no single strategy is universally superior; rather, effectiveness is highly dependent on an organization’s specific goals, resources, and market conditions. The research clarifies the specific benefits and costs associated with each approach, from the strategic nuance of human-led methods to the scalability of AI-powered platforms. Ultimately, this work provides businesses with the critical insights needed to make more informed and strategic decisions. By understanding how to select and apply the most effective predictive techniques, organizations can move beyond a reactive posture, using data to capture a sustainable competitive advantage in the ever-evolving digital landscape.**** L’optimisation pour les moteurs de recherche (SEO) moderne est souvent prisonnière d’un cycle réactif, où les entreprises sont contraintes de répondre aux changements du marché après qu’ils se soient produits, ce qui entraîne des opportunités manquées et une utilisation inefficace des ressources. Cette thèse explore une alternative plus puissante et prospective : une stratégie de SEO Proactif. En s’appuyant sur l’analyse prédictive et une touche d’IA, cette approche permet aux organisations d’anticiper les tendances futures et les besoins des utilisateurs avant qu’ils ne deviennent courants. Cette recherche mène une analyse comparative de six méthodes prédictives distinctes, allant de l’analyse experte traditionnelle aux techniques avancées basées sur les données. L’étude évalue les forces, les faiblesses et les cas d’usage idéaux pour chaque méthode, offrant un aperçu clair de la boîte à outils stratégique moderne. Les résultats de cette analyse sont synthétisés pour éclairer les compromis critiques entre chaque méthode prédictive. Il est démontré qu’aucune stratégie n’est universellement supérieure ; l’efficacité dépend plutôt fortement des objectifs spécifiques, des ressources et des conditions du marché d’une organisation. La recherche clarifie les avantages et les coûts associés à chaque approche, de la nuance stratégique des méthodes humaines à l’évolutivité des plateformes basées sur l’IA. En fin de compte, ce travail fournit aux entreprises les perspectives critiques nécessaires pour prendre des décisions plus éclairées et stratégiques. En comprenant comment sélectionner et appliquer les techniques prédictives les plus efficaces, les organisations peuvent dépasser une posture réactive, en utilisant les données pour obtenir un avantage concurrentiel durable dans un paysage numérique en constante évolution. Description: Supervisor : Dr. BEDJAOUI MOHAMMED / Co-Supervisor : Dr. KECHAR Mohammed 2025-01-01T00:00:00Z