KEBACHE ROMAISSA2025-05-132025-05-132025KEBACHE, ROMAISSA. The adaptation of data and communication security techniques in the context of the Internet of Things. 2025.faculté De Sciences exact. UNIVERSITÉ Elouedhttps://dspace.univ-eloued.dz/handle/123456789/37939Thèse de Doctoratالملخص: مع التوسع المستمر في تطبيقات إنترنت الأشياء،أصبح ضمان أمان البيانات أمرا بالغ الاهمية، لا سيما في المجالات الحساسة مثل الرعاية الصحية، والمدن الذكية، والاتمتة الصناعية. غالبا ما تكون الآليات الامنية التقليدية غير كافية بسبب تباين الأجهزة وتقيداتها في بيئة إنترنت الاشياء. تستكشف هذه الدراسة كيفية تحسين التقنيات التشفيرية التقليدية لتكون أكثر كفاءة وخفة في التنفيذ ضمن أنظمة إنترنت الأشياء. ومن خلال الاستفادة من التشفير المتجانس وتدابير الأمان التكيفية، يهدف هذا البحث إلى تقديم حل أمني عملي وقابل للتوسع يلائم احتياجات بيئات إنترنت الأشياء. يوفر إنترنت الأشياء( (IoTفرصا كبيرة، لكنه يطرح أيضا تحديات أمنية خطيرة بسبب طبيعته المترابطة. تستكشف هذه الأطروحة تكييف تقنيات حماية البيانات والاتصالات الآمنة في سياق إنترنت الأشياء. ويتم تقديم مخطط تشفير جديد، وهو التشفير المتعدد المفاتيح ((MKEEمع تقنية المعكوس الضربي المعياري )(MMIمما يحقق تقليلا بنسبة 94%في مساحة تخزين البيانات المشفرة. علاوة على ذلك، تقدم هذه الدراسة نموذجا يعتمد على التعلم العميق للكشف عن مرض السل، محققا دقة عالية باستخدام الشبكات العصبية الالتفافية المتقدمة. تؤكد النتائج التجريبية صحة المنهجيات المقترحة من خلال دراسات حالة واقعية، حيث أظهرت تقنيات التشفير المطورة تحسينات كبيرة في كفاءة التخزين وقوة الأمان. كما يظهر نموذج التعلم العميق المستخدم في تحليل الصور الطبية قدرة كبيرة على تحسين الكشف المبكر عن الأمراض، مما قد يحدث نقلة نوعية في أمن الرعاية الصحية الرقمية. وتوفر هذه الأطروحة رؤية متعمقة لتأمينأنظمة إنترنت الأشياء مع الحفاظ على الأداء العالي وسهولة الاستخدام Abstract: With the continuous expansion of IoT applications, ensuring robust data security has become crucial, particularly in sensitive domains such as healthcare, smart cities, and industrial automation. Traditional security mechanisms are often insuffcient due to the heterogeneity and constraints of IoT devices. This research investigates how conventional cryptographic techniques can be optimized for lightweight and effcient implementation in IoT systems. By leveraging homomorphic encryption and adaptive security measures, this work aims to provide a practical and scalable security solution tailored to the constraints of IoT environments. The Internet of Things (IoT) presents vast opportunities but also significant security challenges due to its interconnected nature. This thesis explores the adaptation of data protection and secure communication techniques to the IoT context. It introduces a novel encryption scheme, Multi-Key Embedded Encryption (MKEE), combined with the Modular Multiplicative Inverse (MMI) technique, achieving a 94% reduction in encrypted data storage. Furthermore, this research presents a deep learning-based model for Tuberculosis detection, demonstrating high accuracy using advanced convolutional neural networks, reaching 99.66% for training and 99.78% for validation. The experimental results validate the proposed methodologies through real-world case studies, showing significant improvements in both storage effciency and security robustness. The deep learning model developed for medical image analysis shows promise in enhancing early disease detection. Ultimately, this thesis contributes valuable insights into securing IoT ecosystems while maintaining system performance and usability.enإنترنت الأشياءالأمنالتشفيرالتشفير المتجانسالتعلم العميقالرعاية الصحيةحماية البياناتالتواصل المأمنInternet of ThingsSecurityEncryptionHomomorphic EncryptionDeep LearningHealthcareData ProtectionSecure CommunicationThesis