 | 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.
Merzouk, M. A., Beurier, E., Yaich, R., Boulahia Cuppens, N., Cuppens, F., & Khomh, F. (juin 2025). Diffusion-Based Adversarial Purification for Intrusion Detection [Communication écrite]. 39th IFIP WG 11.3 Annual Conference on Data and Applications Security and Privacy (DBSec 2025), Gjøvik, Norway. Publié dans Lecture notes in computer science. Lien externe
Merzouk, M. A. (2024). A Landscape of Adversarial Threats to Machine Learning-Based Intrusion Detection [Thèse de doctorat, Polytechnique Montréal]. Disponible
Merzouk, M. A., Neal, C., Delas, J., Yaich, R., Boulahia-Cuppens, N., & Cuppens, F. (2024). Adversarial robustness of deep reinforcement learning-based intrusion detection. International Journal of Information Security, 27 pages. Lien externe
Merzouk, M. A., Cuppens, F., Boulahia Cuppens, N., & Yaich, R. (août 2023). Parameterizing poisoning attacks in federated learning-based intrusion detection [Communication écrite]. 18th International Conference on Availability, Reliability and Security (ARES 2023), Benevento, Italy (8 pages). Lien externe
Merzouk, M. A., Delas, J., Neal, C., Cuppens, F., Boulahia Cuppens, N., & Yaich, R. (août 2022). Evading deep reinforcement learning-based network intrusion detection with adversarial attacks [Communication écrite]. 17th International Conference on Availability, Reliability and Security (ARES 2022), Vienna, Austria (6 pages). Lien externe
Merzouk, M. A., Cuppens, F., Boulahia Cuppens, N., & Yaich, R. (2022). Investigating the practicality of adversarial evasion attacks on network intrusion detection. Lien externe
Merzouk, M. A., Cuppens, F., Boulahia Cuppens, N., & Yaich, R. (novembre 2020). A Deeper Analysis of Adversarial Examples in Intrusion Detection [Communication écrite]. 15th International Conference on Risks and Security of Internet and Systems (CRISIS 2020), Paris, France. Lien externe
