https://repository.esi-sba.dz/jspui/handle/123456789/607 Wed, 01 Jul 2026 09:10:46 GMT 2026-07-01T09:10:46Z https://repository.esi-sba.dz/jspui/handle/123456789/860 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 a critical challenge to modern cybersecurity, characterized by sophisticated, multi-stage attack campaigns orchestrated by highly skilled adversaries who exploit the inherent complexity of contemporary cyberphysical infrastructures. These threats enable massive data exfiltration and sustained system compromise. This thesis presents a comprehensive state-of-the-art review of APT detection methodologies through the conceptual lens of complex systems theory, establishing a unified theoretical framework that explains both the nature of APTs and the fundamental challenges in detecting them. We systematically analyze the paradigmatic evolution from traditional signaturebased and rule-based approaches through classical machine learning to contemporary graph neural network (GNN) architectures. Our critical evaluation examines 35+ detection frameworks across three methodological generations, assessing their capabilities to capture the structural complexity, temporal dynamics, and emergent behaviors characteristic of APT campaigns. This work contributes a rigorous methodological taxonomy, comprehensive performance benchmarking, and systematic identification of research gaps that constitute barriers to effective operational deployment. This research provides both a critical foundation for understanding current capabilities and a roadmap for developing next-generation APT detection systems capable of countering increasingly sophisticated cyber adversaries.*** Les menaces persistantes avancées (APT) représentent un défi majeur pour la cybersécurité moderne. Elles se caractérisent par des campagnes d’attaques sophistiquées en plusieurs étapes, orchestrées par des adversaires hautement qualifiés qui exploitent la complexité inhérente des infrastructures cyberphysiques contemporaines. Ces menaces permettent l’exfiltration massive de données et la compromission durable des systèmes. Cette thèse présente un état des lieux complet des méthodologies de détection des APT à travers le prisme conceptuel de la théorie des systèmes complexes, établissant un cadre théorique unifié expliquant à la fois la nature des APT et les défis fondamentaux de leur détection La recherche transforme les données tabulaires de cybersécurité en Nous analysons systématiquement l’évolution paradigmatique des approches traditionnelles basées sur les signatures et les règles, en passant par l’apprentissage automatique classique, jusqu’aux architectures contemporaines de réseaux de neurones graphes (GNN). Notre évaluation critique examine plus de 35 cadres de détection répartis sur trois générations méthodologiques, évaluant leur capacité à saisir la complexité structurelle, la dynamique temporelle et les comportements émergents caractéristiques des campagnes APT. Ce travail contribue à une taxonomie méthodologique rigoureuse, à une analyse comparative complète des performances et à une identification systématique des lacunes de la recherche qui constituent des obstacles à un déploiement opérationnel efficace. Cette recherche fournit à la fois une base essentielle pour comprendre les capacités actuelles et une feuille de route pour le développement de systèmes de détection APT de nouvelle génération capables de contrer des cyber-adversaires de plus en plus sophistiqués. 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/123456789/860 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/859 Titre: Spiking Neural Networks For Object Localization Auteur(s): BELDJOUDI, MEriem Résumé: Object localization is a core task in computer vision, with applications that span from everyday technologies to advanced autonomous systems. ArtiĄcial Neural Networks have driven much of the progress in this area, achieving remarkable accuracy but at the cost of high computational and energy demands. As efficiency becomes increasingly important, Spiking Neural Networks are emerging as a compelling alternative. Their promise has drawn growing attention across several domains of artiĄcial intelligence, where they are being explored as a path toward more efficient and biologically inspired computation. This shift has also reached object localization within the Ąeld of computer vision,reĆecting the growing interest in more efficient approaches to visual understanding.*** La localisation dŠobjets est une tâche centrale en vision par ordinateur, avec des applications allant des technologies du quotidien aux systèmes autonomes avancés. Les réseaux de neurones artiĄciels ont porté une grande partie des progrès dans ce domaine, atteignant une précision remarquable mais au prix de fortes exigences en calcul et en énergie. À mesure que lŠefficacité devient de plus en plus importante, les réseaux de neurones impulsionnels apparaissent comme une alternative prometteuse. Leur potentiel suscite un intérêt croissant dans plusieurs domaines de lŠintelligence artiĄcielle, où ils sont explorés comme une voie vers un calcul plus efficace et biologiquement inspiré. Ce tournant a également atteint la localisation dŠobjets dans le domaine de la vision par ordinateur, reĆétant lŠintérêt grandissant pour des approches plus efficientes de la compréhension visuelle. 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/123456789/859 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/858 Titre: Optimizing Swarm Drone Coordinated Motion Using Graph Neural Networks Auteur(s): BELAGHA, AYoub HOussam EDine 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/123456789/858 2025-01-01T00:00:00Z https://repository.esi-sba.dz/jspui/handle/123456789/857 Titre: Change Point Detection in Temporal Graphs Auteur(s): SEHILI, CHaima Résumé: Temporal graphs provide a natural framework for modeling complex systems where relationships between entities evolve over time. Detecting the moments when these structures undergo significant changes referred to as change points is crucial for understanding regime shifts in domains such as social networks, communication systems, financial markets, and large scale online collaborations. Traditional change detection techniques, developed mainly for time series, are not sufficient to capture the relational and dynamic nature of graphs. This has motivated the development of methods specifically tailored to temporal graphs, where changes correspond to structural modifications in the underlying network. This thesis presents a literature review of representative approaches for change point detection in temporal graphs, focusing specifically on methods that operate on graph snapshot series. This study examines seven methods, spanning different methodological families such as spectral analysis, probabilistic modeling, similarity-based techniques, and neural representation learning. By synthesizing these contributions, this work provides a structured overview of the field and highlights the challenges and perspectives for future research in change point detection for temporal graphs.*** Les graphes temporels offrent un cadre naturel pour modéliser des systèmes complexes où les relations entre entités évoluent au fil du temps. Détecter les moments où ces structures subissent des changements importants appelés points de changement est essentiel pour comprendre les transitions de régime dans des domaines tels que les réseaux sociaux, les systèmes de communication, les marchés financiers et les collaborations en ligne à grande échelle. Les techniques classiques de détection de changements, développées principalement pour les séries temporelles, ne suffisent pas à capturer la nature relationnelle et dynamique des graphes. Cela a motivé le développement de méthodes spécifiquement adaptées aux graphes temporels, où les changements correspondent à des modifications structurelles du réseau sous jacent. Ce mémoire présente une revue de littérature sur des approches représentatives de la détection de points de changement dans les graphes temporels, en se concentrant sur les méthodes qui fonctionnent à partir de séries d’instantanés de graphes. Cette étude examine sept méthodes, couvrant différentes familles méthodologiques telles que l’analyse spectrale, la modélisation probabiliste, les techniques basées sur la similarité et l’apprentissage de représentations neuronales. En synthétisant ces contributions, ce travail propose une vue d’ensemble structurée du domaine et met en évidence les principaux défis ainsi que des perspectives pour les recherches futures en détection de points de changement dans les graphes temporels. 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/123456789/857 2025-01-01T00:00:00Z