Browsing by Author "MAZOUZI ,Smaine"

Now showing 1 - 4 of 4
  • Thumbnail Image
    Item
    Détection de Spam par les Techniques de L' intelligence Artificielle( iA)
    (Faculté des Sciences, 2024) BALASKA , Zahia; KHALDI, Sabrina; NAFIR, Abdenacer; MAZOUZI ,Smaine
    Au cours des dernières décennies, l'utilisation du courrier électronique s'est généralisée, entraînant des spams ou des messages frauduleux. L'intelligence artificielle (IA) et surtout le Machine Learning est une solution prometteuse pour classer ces messages en deux catégories : les messages SPAM et les HAM. Cependant, cette approche de classification montre des performances insatisfaisantes en raison du faible taux de réussite de la classification des messages valides. Dans ce travail, nous allons expérimenter quelques modèles les plus utilisés pour la classification de texte ces dernières années et découvrir quel modèle est le meilleur pour résoudre ce problème.
  • Thumbnail Image
    Item
    Méthodes basées apprentissage automatique pour la détection de spams en messagerie électronique
    (Faculté des Sciences, 2024) BOUZNAD, Chafia; MAZOUZI ,Smaine
    Dans ce projet de mémoire de master en RCD (Réseaux et Systèmes Distribués), nous avons mené une étude expérimentale pour identifier le meilleur classifieur pour la détection de spam. Nous avons évalué plusieurs classifieurs, notamment le classifieur bayésien naïf, les machines à vecteurs de support (SVM), les arbres de décision, les forêts aléatoires et les réseaux neuronaux, en comparant leur précision et leurs temps d'exécution.
  • Thumbnail Image
    Item
    Méthodes d’apprentissage en détection d’intrusion
    (Faculté des Sciences, 2022) Loucif ,Asma; Berrak ,Insaf; NAFIR, Abdenacer; MAZOUZI ,Smaine
    Malgré la multiplicité des outils de protections qui se font offrir sur le marché de sécurité, les systèmes informatiques, et plus particulièrement ces systèmes connectés sont soumis à d’intenses attaques, qui tentent dans leur majorité à prendre le contrôle des systèmes par diverses techniques ingénieuses d’intrusion. Ce travail illustre l’utilisation de la méthode boosting avec quelques techniques d’apprentissage automatique à savoir le naiveBayes, et l’arbre de décision où nous avons comparé leurs précisions et leurs temps d’exécution afin d’obtenir le meilleur modèle pour les systèmes de détection d’intrusion.
  • Thumbnail Image
    Item
    Une étude de techniques de classification et de clustering en détection d’intrusion
    (Faculté des Sciences, 2022) CHOUMAH ,Rayenne; ALI BOUAITA ,Nour; NAFIR ,Abde nacer; MAZOUZI ,Smaine
    Les réseaux informatiques sont exposés aux plusieurs types d’attaques c’est pour cela nous avons besoins des moyens pour les protéger. Parmi ces moyens nous citons les systèmes de détection d’intrusions. Cependant, avec l’évolution qui a touché les techniques d’attaques, ces systèmes ne donnent plus de bons résultats. Dans ce mémoire, nous avons mené une étude expérimentale pour décider quel est le classifieur le plus approprié aux données de la base d’intrusions KDD. Nous avons considéré quatre classifieurs à savoir le naive bayes, l’arbre de décision (C4.5), arbre aléatoire, k-plus proche voisins (Knn), et le cluster k means .et nous avons comparé leurs précisions et leurs temps d’exécution