https://repository.esi-sba.dz/jspui/handle/123456789/606 Sun, 19 Jul 2026 01:00:12 GMT 2026-07-19T01:00:12Z https://repository.esi-sba.dz/jspui/handle/123456789/890 Titre: Hybrid Graph Neural Network for Anomaly Detection in Complex Systems: Case of Advanced Persistent Threats Attacks Auteur(s): LEBGA, HAnane Résumé: Advanced Persistent Threats (APTs) represent sophisticated and multi-stage cyberattacks that evade traditional detection by maintaining stealth over long periods and leveraging legitimate system functionalities. This thesis addresses critical gaps in APT detection by proposing an innovative Heterogeneous Hybrid Graph Neural Network (HGNN) framework that integrates structural, temporal, and semantic learning with comprehensive explainability mechanisms. The research transforms tabular cybersecurity data into heterogeneous bipartite graph representations, enabling relational learning across connection types and feature nodes. A hybrid architecture combining GraphSAGE and Graph Attention Networks (GAT) captures neighborhood aggregation patterns and attention-weighted dependencies, while Bidirectional Long Short-Term Memory (BiLSTM) layers model temporal sequences within the learned embeddings. The framework tackles severe class imbalance, data sparsity, and cross-platform heterogeneity inherent to APT scenarios. Extensive experiments on DARPA Transparent Computing (TC) E2 datasets acrossWindows, Android, Linux, and BSD systems, as well as KDD CUP99, demonstrate significant improvements over state-of-the-art methods. Transfer learning strategies ensure cross-domain generalization, while SHAP-based feature selection reduces computational cost without sacrificing performance. A dual explainability framework combining perturbation-based causal attribution and attention-based interpretation addresses critical limitations of deep learning models. Integration with Large Language Models (LLMs) generates human-readable explanations aligned with MITRE ATT&CK tactics, facilitating deployment in Security Operations Centers. The entire system is deployed as an interactive web application supporting data upload, graph visualization, anomaly classification, and automated threat intelligence generation. This research advances graph-based anomaly detection by demonstrating that heterogeneous graph representations, when combined with sequential modeling and explainable AI techniques, provide scalable, robust, and transparent solutions for detecting complex cyber threats in modern computing environments.*** Les menaces persistantes avancées (APT) constituent des cyberattaques sophistiquées et multi-étapes, capables déchapper aux méthodes de détection traditionnelles grâce à leur furtivité prolongée et à lexploitation légitime du système. Cette thèse traite des lacunes critiques de la détection des APT en proposant un cadre innovant basé sur des Réseaux de Neurones Graphiques Hybrides Hétérogènes (HGNN), intégrant lapprentissage structurel, temporel et sémantique avec des mécanismes complets dexplicabilité. La recherche transforme les données tabulaires de cybersécurité en représentations graphiques hétérogènes bipartites, permettant lapprentissage relationnel à travers les types de connexions et les nuds de caractéristiques. Une architecture hybride combinant GraphSAGE et Graph Attention Networks (GAT) capture les schémas dagrégation de voisinage et les dépendances pondérées par lattention, tandis que des couches BiLSTM modélisent les séquences temporelles dans les représentations apprises. Le cadre proposé sattaque au déséquilibre sévère des classes, à la rareté des données et à lhétérogénéité multi-plateformes inhérents aux scénarios APT. Des expérimentations approfondies sur les ensembles de données DARPA Transparent Computing (TC) E2 couvrant Windows, Android, Linux et BSD, ainsi que sur KDD CUP99, montrent des améliorations significatives par rapport aux méthodes les plus avancées. Les stratégies dapprentissage transféré permettent une généralisation inter-domaines efficace, tandis que la sélection de caractéristiques basée sur SHAP réduit les coûts de calcul sans compromettre les performances. Un cadre dexplicabilité double combinant lattribution causale par perturbation et linterprétation basée sur lattention pallie les limites critiques des modèles de deep learning. Lintégration avec les grands modèles de langage (LLMs) génère des explications lisibles, alignées sur les tactiques MITRE ATT&CK, facilitant leur adoption dans les centres opérationnels de sécurité. Le système est entièrement déployé sous forme dune application web interactive prenant en charge le chargement des données, la visualisation graphique, la classification des anomalies et la génération automatisée dintelligence sur les menaces. Cette recherche fait progresser létat de lart en détection danomalies basée sur les graphes en démontrant que les représentations graphiques hétérogènes, combinées avec la modélisation séquentielle et lIA explicable, offrent des solutions robustes, évolutives et transparentes pour la cybersécurité moderne Description: Supervisor: Dr. Sidahmed Benabderrahmane Co-supervisor: Pr. Sidi Mohamed Benslimane Wed, 01 Jan 2025 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/890 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/889 Titre: Supervised STDP-Based Spiking Neural Network for Object Localization Auteur(s): BELDJOUDI, MEriem Résumé: Object localization is a core task in computer vision, with applications ranging from everyday technologies to advanced autonomous systems. While ArtiĄcial Neural Networks (ANNs) have achieved remarkable accuracy in this domain, they typically incur substantial computational and energy costs. In contrast, Spiking Neural Networks (SNNs) have emerged as a biologically inspired and energy-efficient alternative, offering event-driven computation and temporal dynamics that more closely resemble neural processing in the brain. Among the various learning mechanisms for SNNs, Spike-Timing-Dependent Plasticity (STDP) stands out as one of the most prominent and biologically grounded methods. In this work, we propose a supervised adaptation of the STDP learning rule and apply it to the object localization problem. The proposed approach aims to leverage the local and event-driven nature of STDP while introducing task-level supervision to guide learning toward speciĄc objectives. Furthermore, to evaluate its effectiveness, we conduct a comparative analysis with the surrogate gradient method, which represents the dominant gradient-based approach for training deep SNNs. This study thus contributes to bridging the gap between biologically plausible learning and performance-driven optimization in event-based visual understanding. *** La localisation dŠobjets constitue une tâche fondamentale en vision par ordinateur, avec des applications allant des technologies du quotidien aux systèmes autonomes avancés. Bien que les réseaux de neurones artiĄciels (ANNs) aient atteint une précision remarquable dans ce domaine, ils engendrent généralement des coûts computationnels et énergétiques élevés. À lŠinverse, les réseaux de neurones impulsionnels (SNNs) se présentent comme une alternative bio-inspirée et économe en énergie, offrant un traitement des informations basé sur les événements et des dynamiques temporelles proches de celles observées dans le cerveau humain. Parmi les différents mécanismes dŠapprentissage des SNNs, la plasticité dépendante du temps des impulsions (STDP) se distingue comme lŠune des méthodes les plus connues et biologiquement fondées. Dans ce travail, nous proposons une adaptation supervisée de la règle dŠapprentissage STDP et lŠappliquons au problème de localisation dŠobjets. LŠapproche proposée vise à exploiter la nature locale et événementielle du STDP tout en introduisant une supervision au niveau de la tâche aĄn dŠorienter lŠapprentissage vers des objectifs précis. De plus, aĄn dŠévaluer son efficacité, nous menons une analyse comparative avec la méthode du gradient substitut, qui représente lŠapproche dominante basée sur le gradient pour lŠentraînement des SNNs profonds. Cette étude contribue ainsi à réduire lŠécart entre lŠapprentissage biologiquement plausible et lŠoptimisation orientée performance dans le cadre de la compréhension visuelle basée sur les événements. Description: Supervisor : Ms. Nassima Dif / Co-Supervisor : Mr. Chaabane Djerraba Wed, 01 Jan 2025 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/889 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/888 Titre: Optimizing Swarm Drone Coordinated Motion Using Graph Neural Networks Auteur(s): BELAGHA, AYoub HOussam EDdine Résumé: Swarm robotics seeks to achieve coordinated collective behavior among multiple autonomous agents through local interactions and distributed decision-making. This thesis investigates the use of Graph Neural Networks (GNNs) for modeling and learning coordination mechanisms in drone swarms. SpeciĄcally, it explores how graph-based representations can effectively encode spatial relationships and how temporal modeling enhances the prediction of collective motion. A simulation framework was developed to generate multi-agent trajectories using interaction-based controllers grounded in physical models such as Gaussian and LennardŰJones potentials. These expert demonstrations were used to train a Graph Attention Net- work with Gated Recurrent Units (GAT–GRU), enabling the prediction of control forces from observed drone positions. Experimental evaluation across multiple swarm conĄgurations demonstrated that the trained model reproduces expert-like behavior with minimal performance loss while maintaining stable formation and goal convergence. The Ąndings highlight the potential of graph-based learning approaches to generalize swarm coordination policies across varying team sizes and environmental conditions. Description: Supervisor : Dr. KHALDI Belkacem Wed, 01 Jan 2025 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/888 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/887 Titre: Change Point Detection in Temporal Graphs Auteur(s): SEHILI, CHaima Résumé: Change point detection (CPD) in temporal graphs is a crucial task for identifying structural regime shifts in dynamic networks. However, existing approaches often struggle when communication data are sparse and volatile, as they rely on structural features or global statistics that are not adapted to such settings. They also lack the flexibility to evaluate changes across arbitrary substructures, which limits their applicability. In this thesis, we adapt the Multi-Scale Anomaly Detection (MAD) framework to the problem of CPD in temporal graphs. MAD introduces a probabilistic and multi-scale analysis of subgraphs, producing a scoring function that identifies abrupt structural changes even in highly sparse data. The method is flexible, as it can detect change points at the edge, node, or graph level, and efficient, with linear complexity in both the length of the data and the number of analyzed communications. Extensive experiments on synthetic and real-world datasets demonstrate that MAD produces sharp and consistent change point signals. It successfully recovers regime shifts across networks of varying densities and reveals meaningful structural transitions in real communication and organizational data. These results highlight MAD as a robust and scalable framework for CPD in temporal graphs, particularly effective in sparse and uncertain environments.*** La détection de points de changement (CPD) dans les graphes temporels constitue une tâche essentielle pour identifier les transitions de régime structurel dans les réseaux dynamiques. Cependant, les approches existantes rencontrent souvent des difficultés lorsque les données de communication sont parcimonieuses et volatiles, car elles reposent sur des caractéristiques structurelles ou des statistiques globales qui ne sont pas adaptées à de tels contextes. Elles manquent également de flexibilité pour évaluer les changements à travers des sous-structures arbitraires, ce qui limite leur applicabilité. Dans ce mémoire, nous adaptons l’algorithme Multi-Scale Anomaly Detection (MAD) au problème de la CPD dans les graphes temporels. MAD introduit une analyse probabiliste et multi-échelle des sous-graphes, produisant une fonction de score capable d’identifier des changements structurels brusques même dans des données hautement clairsemées. La méthode est flexible, car elle peut détecter des points de changement au niveau des arêtes, des noeuds ou du graphe global, et efficace, avec une complexité linéaire à la fois dans la longueur des données et dans le nombre de communications analysées. Des expériences approfondies sur des jeux de données synthétiques et réels démontrent que MAD produit des signaux de points de changement nets et cohérents. Il parvient à détecter avec succès les transitions de régime dans des réseaux de densités variées et met en évidence des transitions structurelles significatives dans des données réelles de communication et d’organisation. Ces résultats confirment que MAD constitue un cadre robuste et évolutif pour la CPD dans les graphes temporels, particulièrement efficace dans des environnements clairsemés et incertains. Description: Supervisor : Dr. Belkacem KHALDI Supervisor : Dr. Esteban BAUTISTA Ruiz Co-Supervisor : Dr. Matthieu PUIGT Co-Supervisor : Dr. Laurent BRISSON Wed, 01 Jan 2025 00:00:00 GMT https://repository.esi-sba.dz/jspui/handle/123456789/887 2025-01-01T00:00:00Z