Search

The epidemiological modelling and epidemic threshold analysis in the networks are widely used in the control and prediction of infectious disease spread. Therefore, the prediction of the epidemic threshold in networks is a challenge in epidemiology where the contact network structure fundamentally influences the dynamics of the spread. In this paper, we design and experiment a new general structural and spectral epidemic threshold approach of prediction that more captures the full network structure by using the number of nodes, the spectral radius, and the energy of graph. We drive the simulations overall on 31 different networks types and topologies. The simulations show similar results of the epidemic threshold values compared to the MF, HMF and QMF widely used theoretical benchmarks approaches. With data analytic and data visualization technics, the results show that the new approach is similar to the earlier, further captures the full network structure, and is more accurate than the earlier approaches. The new approach offers a new general and spectral approach to analyse the spreading processes in a network. The results are both fundamental and practical interest in improving the control and prediction of spreading processes in networks. Particularly should be meaningful to decision-makers in public health., La modélisation épidémiologique et l'analyse du seuil épidémique dans les réseaux sont largement utilisées dans le contrôle et la prédiction de la propagation des maladies infectieuses. Par conséquent, la prédiction du seuil épidémique dans les réseaux est un défi en épidémiologie où la structure du réseau de contact influence fondamentalement la dynamique de la propagation. Dans cet article, nous concevons et expérimentons une nouvelle approche générale, structurel et spectral de prédiction du seuil épidémique. Cette approche capture davantage la structure complète du réseau en utilisant le nombre de nœuds, le rayon spectral et l'énergie du graphe. Nous effectuons des simulations globales sur 31 types de réseaux à des différents topologies. Les simulations montrent des résultats similaires des valeurs de seuil épidémique par rapport aux approches théoriques de référence MF, HMF et QMF largement utilisé. Grâce aux techniques d'analyse et de visualisation des données, les résultats montrent que la nouvelle approche est similaire à la précédente, qu'elle capture davantage la structure complète du réseau et qu'elle est plus précise que les approches précédentes. La nouvelle approche offre une nouvelle approche générale et spectrale pour analyser les processus de propagation dans un réseau. Les résultats présentent un intérêt à la fois fondamental et pratique pour améliorer le contrôle et la prédiction des processus de propagation dans les réseaux. Ils devraient en particulier être utiles aux décideurs en matière de santé publique.

Centrality measures are important in network analysis and mining. The correlation structures between the centrality measures are subject of the structural network analysis to improve the understanding of the process in that network. The aim of this paper is to extract useful hidden structural information about the structural correlations between centrality measures study. With Data Science analysis and visualization technics, we propose a structural analysis and visualization of the Pearson correlation between centrality measures. Overall experimentations, the same results are shown in 31 social networks with different topologies. The results show the existence of a strong positive and structural correlation between degree and closeness centrality, degree and betweenness centrality, degree and eigenvector centrality. However, we observed a strong positive and non-structural correlation between eigenvector and betweenness centrality, betweenness and closeness centrality, closeness and eigenvector centrality. Furthermore, we suggest some structural implications of these centrality measures in a network. Finally, we identify influential nodes and their state of evolution that build an effective minimization policy for an infectious disease spread. With the strong positive and structural correlations observed, in large networks, high complexity centrality measure can be approximated by low complexity such as degree centrality., Les mesures de centralité sont importantes dans l'analyse et l'exploitation des réseaux. Les structures de corrélation entre les mesures de centralité font l'objet de l'analyse structurelle du réseau afin d'améliorer la compréhension du processus dans ce réseau. L'objectif de cet article est d'extraire des informations structurelles cachées utiles sur l'étude des corrélations structurelles entre les mesures de centralité. Grâce aux techniques d'analyse et de visualisation de la science des données, nous proposons une analyse structurelle et une visualisation de la corrélation de Pearson entre les mesures de centralité. Dans l'ensemble des expérimentations, les mêmes résultats sont montrés dans 31 réseaux sociaux à de différentes topologies. Les résultats montrent l'existence d'une forte corrélation positive et structurelle entre la centralité de degré et la centralité de proximité, la centralité de degré et la centralité d'intermédiarité, la centralité de degré et la centralité de vecteur propre. Cependant, nous avons observé une forte corrélation positive et non structurelle entre la centralité de vecteur propre et la centralité d'intermédiarité, la centalité d'intermédiarité et la centralité de proximité, la centralité de proximité et la centralité de vecteur propre. De plus, nous suggérons quelques implications structurelles de ces mesures de centralité dans un réseau. Enfin, nous identifions les nœuds influents et leur état d'évolution qui permettrait de construire une politique de minimisation efficace pour la propagation d'une maladie infectieuse. Avec les fortes corrélations positives et structurelles observées, dans les grands réseaux, les mesures de centralité de haute complexité peuvent être approximées par des mesures de faible complexité telles que la centralité de degré.

Information systems handle large amount of data within enterprises by offering the possibility to collect, treat, keep and make information available. To achieve this, it is crucial to secure data from intrusion that disturb confidentiality, availability, and integrity of data. This integrity must follow the strategic alignment of the considered enterprise. Unfortunately, the goal of attackers is to affect the resources present in the system. Research in intrusion detection field is still in search of proposals to relevant problems. Many solutions exist supporting machine learning and datamining models. Nevertheless, these solutions based on signature and behavior approaches of intrusion detection, are more interested in data and have not a global view of processes. The aim of this paper is to use workflow mining for a Host-based intrusion detection by monitoring workflow event logs related to resources. With workflow mining, process execution are stored in event logs and the detection of intrusion can be realized by their analysis on the basis of a well-defined security policy. To achieve our goal, step by step, we start by the specification of different concepts manipulated. Afterwards, we provide a model of security policy and a model of intrusion detection that enables us to have a low rate of false alerts. Finally, we implement the solution via a prototype to observe how it can work.