Documents dont l'auteur est "Ezzati-Jivan, Naser"

Réseau de collaboration

Veuillez patienter

Aide

Ce 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 mots

Aide

Un 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.

Auteur ou autrice

Nadeau, D., Ezzati-Jivan, N., & Dagenais, M. (2019). Efficient large-scale heterogeneous debugging using dynamic tracing. Journal of Systems Architecture, 98, 346-360. Disponible

Reumont-Locke, F., Ezzati-Jivan, N., & Dagenais, M. (2019). Efficient methods for trace analysis parallelization. International Journal of Parallel Programming, 47(5-6), 951-972. Disponible

Abbasi, H., Ezzati-Jivan, N., Bellaïche, M., Talhi, C., & Dagenais, M. (2019). Machine learning-based EDoS attack detection technique using execution trace analysis. Journal of Hardware and Systems Security, 3(2), 164-176. Disponible

Ezzati-Jivan, N., Bastien, G., & Dagenais, M. (avril 2018). High latency cause detection using multilevel dynamic analysis [Communication écrite]. Annual IEEE International Systems Conference (SysCon 2018), Vancouver, Canada (8 pages). Disponible

Bationo, Y. J., Ezzati-Jivan, N., & Dagenais, M. (janvier 2018). Efficient cloud tracing: From very high level to very low level [Communication écrite]. IEEE International Conference on Consumer Electronics (ICCE 2018), Las Vegas, NV, USA (6 pages). Disponible

Daoud, H., Ezzati-Jivan, N., & Dagenais, M. (septembre 2017). Dynamic trace-based sampling algorithm for memory usage tracking of enterprise applications [Communication écrite]. 2017 IEEE High Performance Extreme Computing Conference, Waltham, MA, USA (7 pages). Disponible

Ezzati-Jivan, N., & Dagenais, M. (2017). Multi-scale navigation of large trace data: A survey. Concurrency and Computation: Practice and Experience, 29(10), 1-20. Disponible

Vergé, A., Ezzati-Jivan, N., & Dagenais, M. (2017). Hardware-assisted software event tracing. Concurrency and Computation: Practice and Experience, 29(10), 1-9. Disponible

Wininger, F., Ezzati-Jivan, N., & Dagenais, M. (2017). A declarative framework for stateful analysis of execution traces. Software Quality Journal, 25(1), 201-229. Disponible

Biancheri, C., Ezzati-Jivan, N., & Dagenais, M. (août 2016). Multilayer virtualized systems analysis with kernel tracing [Communication écrite]. 4th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW 2016), Vienna, Austria (6 pages). Disponible

Prieur-Drevon, L., Beamonte, R., Ezzati-Jivan, N., & Dagenais, M. (juin 2016). Enhanced state history tree (eSHT): a stateful data structure for analysis of highly parallel system traces [Communication écrite]. IEEE International Congress on Big Data (BigData Congress 2016), San Francisco, CA, USA (8 pages). Disponible

Kouamé, K. G., Ezzati-Jivan, N., & Dagenais, M. (juin 2015). A flexible data-driven approach for execution trace filtering [Communication écrite]. IEEE International Congress on Big Data (BigData Congress 2015), New York, NY, USA (6 pages). Disponible

Ezzati-Jivan, N., & Dagenais, M. (2015). Cube data model for multilevel statistics computation of live execution traces. Concurrency and Computation: Practice and Experience, 27(5), 1069-1091. Disponible

Montplaisir-Gonçalves, A., Ezzati-Jivan, N., Wininger, F., & Dagenais, M. (septembre 2013). State history tree: an incremental disk-based data structure for very large interval data [Communication écrite]. International Conference on Social Computing (SocialCom 2013), Alexandria, VA, USA (9 pages). Disponible

Ezzati-Jivan, N., & Dagenais, M. (2013). A framework to compute statistics of system parameters from very large trace files. ACM SIGOPS Operating Systems Review, 47(1), 43-54. Disponible

Ezzati-Jivan, N., & Dagenais, M. (2012). A stateful approach to generate synthetic events from kernel traces. Advances in Software Engineering, 2012, 1-12. Disponible