{"id":{"repo_id":"moncton","oai_identifier":"oai:umoncton.scholaris.ca:20.500.14658/7706"},"canonical_url":"https://search.dev.ndltd.org/etd/moncton/oai:umoncton.scholaris.ca:20.500.14658/7706","repository":{"repo_id":"moncton","name":"University de Moncton","base_url":"https://umoncton.scholaris.ca/server/oai/request"},"display":{"title":"Apprentissage profond pour la détection des menaces et des contenus toxiques dans les cyberenvironnements","abstract":"L’apprentissage profond est un outil prometteur pour détecter les menaces et les contenus toxiques sur les plateformes en ligne. Ses capacités d’apprentissage automatique permettent de traiter de grandes quantités de données efficacement et avec précision, ce qui le rend utile pour détecter les comportements malveillants et protéger les utilisateurs des cybermenaces. L’utilisateur de modèles Transformer a amélioré les performances dans différents domaines et automatisé plusieurs processus. Nous avons montré comment utiliser les modèles d’apprentissage profond, en particulier les Transformers, pour traiter les données dans un environnement conflictuel et identifier les signaux importants dans les données de code pour détecter les cyberattaques et la cyberagression. Dans ce travail nous présentons une revue de la littérature sur les modèles de Transformers pour le traitement du texte dans divers domaines. Nous présentons également MalBERT, un modèle Transformer spécialement conçu pour détecter et classer les logiciels malveillants dans les données de source code. Nous nous concentrons enfin sur la détection de misogynie en utilisant des méthodes d’apprentissage profond, en particulier les modèles de Transformers. Nous montrons que ces modèles peuvent améliorer les performances et la sécurité des systèmes informatiques, et prévenir la propagation de la misogynie en ligne. Toutefois, il faut souligner que l’apprentissage profond ne doit pas être considéré comme la seule solution pour lutter contre les cybermenaces et doit être utilisé de manière stratégique avec d’autres technologies de sécurité. Il est également crucial de s’assurer que les modèles sont entraînés sur des données de qualité et éthiques pour éviter tout biais ou erreur dans les résultats. L’apprentissage profond offre de nombreuses opportunités pour détecter les menaces et les contenus toxiques, mais doit être utilisé avec précaution en prenant en compte la qualité et l’éthique des données. Mots-clés : Apprentissage profond; Détection des menaces; Contenus toxiques; Modèles de Transformers; Traitement du langage naturel.","abstract_html":"L’apprentissage profond est un outil prometteur pour détecter les menaces et les contenus toxiques sur les plateformes en ligne. Ses capacités d’apprentissage automatique permettent de traiter de grandes quantités de données efficacement et avec précision, ce qui le rend utile pour détecter les comportements malveillants et protéger les utilisateurs des cybermenaces. L’utilisateur de modèles Transformer a amélioré les performances dans différents domaines et automatisé plusieurs processus. Nous avons montré comment utiliser les modèles d’apprentissage profond, en particulier les Transformers, pour traiter les données dans un environnement conflictuel et identifier les signaux importants dans les données de code pour détecter les cyberattaques et la cyberagression. Dans ce travail nous présentons une revue de la littérature sur les modèles de Transformers pour le traitement du texte dans divers domaines. Nous présentons également MalBERT, un modèle Transformer spécialement conçu pour détecter et classer les logiciels malveillants dans les données de source code. Nous nous concentrons enfin sur la détection de misogynie en utilisant des méthodes d’apprentissage profond, en particulier les modèles de Transformers. Nous montrons que ces modèles peuvent améliorer les performances et la sécurité des systèmes informatiques, et prévenir la propagation de la misogynie en ligne. Toutefois, il faut souligner que l’apprentissage profond ne doit pas être considéré comme la seule solution pour lutter contre les cybermenaces et doit être utilisé de manière stratégique avec d’autres technologies de sécurité. Il est également crucial de s’assurer que les modèles sont entraînés sur des données de qualité et éthiques pour éviter tout biais ou erreur dans les résultats. L’apprentissage profond offre de nombreuses opportunités pour détecter les menaces et les contenus toxiques, mais doit être utilisé avec précaution en prenant en compte la qualité et l’éthique des données. Mots-clés : Apprentissage profond; Détection des menaces; Contenus toxiques; Modèles de Transformers; Traitement du langage naturel.","abstract_has_math":false,"creators":["Rahali, Abir"],"institution":"Université de Moncton","degree_name":"Maîtrise ès sciences (informatique)","degree_level":"2e cycle","degree_discipline":"Faculté des sciences","degree_department":null,"school":null,"contributors":[],"advisors":["Akhloufi, Moulay"],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-07-24T03:10:00Z","subjects":["Apprentissage profond","Surveillance des menaces informatiques","Traitement automatique des langues naturelles"],"languages":["iso639-2b","fre"],"rights":["Author"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:2882"],"render_values":[{"text":"umir:2882","href":null,"code":true}]}]},"links":{"outbound_url":"https://hdl.handle.net/20.500.14658/7706","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Akhloufi, Moulay"]},{"key":"dc:creator","label":"Author","values":["Rahali, Abir"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-12-20T18:06:01Z","2025-05-13T19:37:45Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-12-20T18:06:01Z","2025-05-13T19:37:45Z"]},{"key":"dc:date.issued","label":"Date","values":["2023"]},{"key":"dc:publisher","label":"Institution","values":["Université de Moncton"]},{"key":"dc:type","label":"Dc Type","values":["Text","thèse"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Faculté des sciences"]},{"key":"thesis:degree_level","label":"Degree Level","values":["2e cycle"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Maîtrise ès sciences (informatique)"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Moncton"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Apprentissage profond","Surveillance des menaces informatiques","Traitement automatique des langues naturelles"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fre"]},{"key":"dc:language.iso","label":"Language (ISO)","values":["iso639-2b"]},{"key":"dc:rights","label":"Dc Rights","values":["Author"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:2882"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.14658/7706"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["L’apprentissage profond est un outil prometteur pour détecter les menaces et les contenus toxiques sur les plateformes en ligne. Ses capacités d’apprentissage automatique permettent de traiter de grandes quantités de données efficacement et avec précision, ce qui le rend utile pour détecter les comportements malveillants et protéger les utilisateurs des cybermenaces. L’utilisateur de modèles Transformer a amélioré les performances dans différents domaines et automatisé plusieurs processus. Nous avons montré comment utiliser les modèles d’apprentissage profond, en particulier les Transformers, pour traiter les données dans un environnement conflictuel et identifier les signaux importants dans les données de code pour détecter les cyberattaques et la cyberagression. Dans ce travail nous présentons une revue de la littérature sur les modèles de Transformers pour le traitement du texte dans divers domaines. Nous présentons également MalBERT, un modèle Transformer spécialement conçu pour détecter et classer les logiciels malveillants dans les données de source code. Nous nous concentrons enfin sur la détection de misogynie en utilisant des méthodes d’apprentissage profond, en particulier les modèles de Transformers. Nous montrons que ces modèles peuvent améliorer les performances et la sécurité des systèmes informatiques, et prévenir la propagation de la misogynie en ligne. Toutefois, il faut souligner que l’apprentissage profond ne doit pas être considéré comme la seule solution pour lutter contre les cybermenaces et doit être utilisé de manière stratégique avec d’autres technologies de sécurité. Il est également crucial de s’assurer que les modèles sont entraînés sur des données de qualité et éthiques pour éviter tout biais ou erreur dans les résultats. L’apprentissage profond offre de nombreuses opportunités pour détecter les menaces et les contenus toxiques, mais doit être utilisé avec précaution en prenant en compte la qualité et l’éthique des données. Mots-clés : Apprentissage profond; Détection des menaces; Contenus toxiques; Modèles de Transformers; Traitement du langage naturel."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["electronic"]},{"key":"dc:title","label":"Title","values":["Apprentissage profond pour la détection des menaces et des contenus toxiques dans les cyberenvironnements"]}]}],"canonical_facts":{"dc:contributor.advisor":["Akhloufi, Moulay"],"dc:creator":["Rahali, Abir"],"dc:date.accessioned":["2024-12-20T18:06:01Z","2025-05-13T19:37:45Z"],"dc:date.available":["2024-12-20T18:06:01Z","2025-05-13T19:37:45Z"],"dc:date.issued":["2023"],"dc:description.abstract":["L’apprentissage profond est un outil prometteur pour détecter les menaces et les contenus toxiques sur les plateformes en ligne. Ses capacités d’apprentissage automatique permettent de traiter de grandes quantités de données efficacement et avec précision, ce qui le rend utile pour détecter les comportements malveillants et protéger les utilisateurs des cybermenaces. L’utilisateur de modèles Transformer a amélioré les performances dans différents domaines et automatisé plusieurs processus. Nous avons montré comment utiliser les modèles d’apprentissage profond, en particulier les Transformers, pour traiter les données dans un environnement conflictuel et identifier les signaux importants dans les données de code pour détecter les cyberattaques et la cyberagression. Dans ce travail nous présentons une revue de la littérature sur les modèles de Transformers pour le traitement du texte dans divers domaines. Nous présentons également MalBERT, un modèle Transformer spécialement conçu pour détecter et classer les logiciels malveillants dans les données de source code. Nous nous concentrons enfin sur la détection de misogynie en utilisant des méthodes d’apprentissage profond, en particulier les modèles de Transformers. Nous montrons que ces modèles peuvent améliorer les performances et la sécurité des systèmes informatiques, et prévenir la propagation de la misogynie en ligne. Toutefois, il faut souligner que l’apprentissage profond ne doit pas être considéré comme la seule solution pour lutter contre les cybermenaces et doit être utilisé de manière stratégique avec d’autres technologies de sécurité. Il est également crucial de s’assurer que les modèles sont entraînés sur des données de qualité et éthiques pour éviter tout biais ou erreur dans les résultats. L’apprentissage profond offre de nombreuses opportunités pour détecter les menaces et les contenus toxiques, mais doit être utilisé avec précaution en prenant en compte la qualité et l’éthique des données. Mots-clés : Apprentissage profond; Détection des menaces; Contenus toxiques; Modèles de Transformers; Traitement du langage naturel."],"dc:format":["application/pdf"],"dc:format.medium":["electronic"],"dc:identifier.other":["umir:2882"],"dc:identifier.uri":["https://hdl.handle.net/20.500.14658/7706"],"dc:language":["fre"],"dc:language.iso":["iso639-2b"],"dc:publisher":["Université de Moncton"],"dc:rights":["Author"],"dc:subject":["Apprentissage profond","Surveillance des menaces informatiques","Traitement automatique des langues naturelles"],"dc:title":["Apprentissage profond pour la détection des menaces et des contenus toxiques dans les cyberenvironnements"],"dc:type":["Text","thèse"],"thesis:degree_discipline":["Faculté des sciences"],"thesis:degree_level":["2e cycle"],"thesis:degree_name":["Maîtrise ès sciences (informatique)"],"thesis:institution_name":["Université de Moncton"]},"updated_at":"2026-07-24T03:10:00Z"}