 | Monter d'un niveau |
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Nuage de motsUn nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Belkhiri, A., & Dagenais, M. (2024). Analyzing GPU Performance in Virtualized Environments: A Case Study. Future Internet, 16(3), 72 (18 pages). Disponible
Belkhiri, A., Ben Attia, M., Gohring de Magalhaes, F., & Nicolescu, G. (mai 2024). Towards Efficient Diagnosis of Performance Bottlenecks in Microservice-Based Applications (Work In Progress paper) [Communication écrite]. Companion of the 15th ACM/SPEC International Conference on Performance Engineering (ICPE 2024 - Companion), London, United Kingdom. Lien externe
Belkhiri, A., Pepin, M., Bly, M., & Dagenais, M. (2023). Performance analysis of DPDK-based applications through tracing. Journal of Parallel and Distributed Computing, 173, 1-19. Lien externe
Belkhiri, A., Shahnejat Bushehri, A., Gohring de Magalhaes, F., & Nicolescu, G. (avril 2023). Transparent Trace Annotation for Performance Debugging in Microservice-oriented Systems (Work In Progress Paper) [Communication écrite]. ACM/SPEC International Conference on Performance Engineering - Companion (ICPE 2023), Coimbra, Portugal. Lien externe
Belkhiri, A., Bushehri, A. S., & Dagenais, M. (juillet 2022). Virtual Networks Link-Layer Topologies Discovery through Host-based Tracing [Communication écrite]. International Conference on Electrical, Computer and Energy Technologies (ICECET 2022), Pragues, Czech Republic (8 pages). Lien externe
Belkhiri, A. (2021). Analyse de performances des réseaux programmables, à partir d'une trace d'exécution [Thèse de doctorat, Polytechnique Montréal]. Disponible
Belkhiri, A., & Dagenais, M. (2021). Diagnostic and troubleshooting of OpenFlow-enabled switches using kernel and userspace traces. International Journal of Communication Systems, 34(14), 22 pages. Lien externe
Liu, X., Belkhiri, A., Jin, M., Li, Y., & Artho, C. (mars 2025). ContractViz: Extending Eclipse Trace Compass for Smart Contract Transaction Analysis [Communication écrite]. IEEE International Conference on Software Analysis, Evolution and Reengineering (SANER 2025), Montreal, QC, Canada. Lien externe
Shahnejat Bushehri, A., Balboul, A., Belkhiri, A., Keivanpour, S., & Nicolescu, G. (2025). NOProbe: A NOP-based Dynamic Binary Instrumentation Framework Using Binary Rewriting on x86. IEEE Transactions on Dependable and Secure Computing, 17 pages. Lien externe
Shahnejat Bushehri, A., Amirnia, A., Belkhiri, A., Keivanpour, S., Gohring de Magalhaes, F., & Nicolescu, G. (2024). Deep Learning-Driven Anomaly Detection for Green IoT Edge Networks. IEEE Transactions on Green Communications and Networking, 8(1), 498-513. Lien externe
