Omar Dib
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Omar Dib has a total of 35 co-authors. Here are the top co-authors by number of shared publications:
- El-Hacen Diallo
Université Paris-Saclay, CNRS, LISN, Rue Raimond Castaing Bâtiment 650, 91190 Gif-sur-Yvette, France
3 shared publications - Shiyun Li
Computer Science and Artificial Intelligence Center, 88 Daxue Rd, Ouhai, Wenzhou 325060, China
3 shared publications - Tianhao Liu
Wenzhou-Kean University
3 shared publications - Daren Li
Wenzhou-Kean University
2 shared publications - Man Chen
Wenzhou-Kean University
2 shared publications - Mohammad Dib
Engie, 1 Pl. Samuel de Champlain, 92400 Courbevoie, France
2 shared publications
Latest Publications
- 28 August 2026
- Published by Elsevier in Internet of Things
- Vol. 40
Towards robust and privacy-preserving federated learning: SMPC-enhanced defense and optimization for edge-IIoTset
- 28 August 2026
- Published by Elsevier in Internet of Things
- Vol. 40
Towards robust and privacy-preserving federated learning: SMPC-enhanced defense and optimization for edge-IIoTset
- 28 July 2026
- Published by Elsevier in Knowledge-Based Systems
- Vol. 351
When to stop: Learned routing and risk control for early exit networks
- 28 July 2026
- Published by Elsevier in Knowledge-Based Systems
- Vol. 351
When to stop: Learned routing and risk control for early exit networks
- 28 June 2026
- Published by Elsevier in Information Fusion
- Vol. 136
Communication-Efficient Agentic Edge Intelligence: A Survey of Federated Multi-Agent Information Fusion for LLM-Driven Edge AI
- 28 June 2026
- Published by Elsevier in Information Fusion
- Vol. 136
Communication-Efficient Agentic Edge Intelligence: A Survey of Federated Multi-Agent Information Fusion for LLM-Driven Edge AI
- 3 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Dynamic rerouting in multimodal transportation networks
Reroutage dynamique des passagers dans les réseaux de transport multimodaux: La mobilité humaine s'organise de nos jours dans un contexte multimodal avec des systèmes de transport particulièrement complexes. Le nombre d'usagers va croissant et de nouveaux modes de transport émergent jour après jour en même temps que de nouveaux comportements de mobilité. En conséquence, les utilisateurs se trouvent généralement confrontés à la nécessité de choisir entre plusieurs possibilités pour se rendre d'un point d'origine à leur lieu de destination. Dans le but de les aider à naviguer facilement à travers ces réseaux complexes, un système efficace d'information voyageurs doit être construit. Grâce à ce système, les opérateurs de transport cherchent non seulement à fournir des itinéraires optimaux, mais aussi des solutions efficaces et fiables en cas de perturbations. En réalité, les passagers ne cherchent pas seulement à minimiser le temps de trajet. Ils ont aussi tendance à considérer d'autres critères tels que le confort et l'effort qu'il s'agit alors d'optimiser. Un système de routage efficace devrait donc tenir compte des préférences de chaque passager. En outre, les modes de transport sont souvent enclins à des retards. La prise en considération de l'incertitude est donc un aspect très important pour un calculateur d'itinéraires. Les itinéraires multimodaux proposés doivent non seulement être réalisables dans un cas statique, mais également suffisamment robustes face à des aléas. En outre, tout en intégrant des contraintes essentielles telles que la capacité limitée des véhicules, une attention particulière devrait aussi être accordée à la complexité temporelle des algorithmes de routage développés. L'objectif principal de cette thèse est d'élaborer une formulation qui permet de représenter adéquatement un réseau de transport multimodal. En nous basant sur cette formulation, nous proposons plusieurs algorithmes de routage. Nous nous concentrons en particulier sur la résolution de problèmes de plus courts chemins dans un contexte mono/multicritère dans un réseau de transport dynamique et stochastique. Des métaheuristiques telles que les Algorithmes Génétiques (GA), la méthode de Recherche à Voisinage Variable (VNS) et les Algorithmes Mémétiques (MA) ont été utilisés pour fournir des résultats en temps réel. La performance de calcul a été évaluée en résolvant des requêtes de routage à l'échelle du réseau de transport de la Région française Île-de-France. Les résultats indiquent que les nombreuses instances traitées ont été résolues dans un laps de temps raisonnable et que nos algorithmes de routage sont suffisamment performants pour être intégrés dans un calculateur d'itinéraire multimodal opérationnel.
- 3 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Dynamic rerouting in multimodal transportation networks
Reroutage dynamique des passagers dans les réseaux de transport multimodaux: La mobilité humaine s'organise de nos jours dans un contexte multimodal avec des systèmes de transport particulièrement complexes. Le nombre d'usagers va croissant et de nouveaux modes de transport émergent jour après jour en même temps que de nouveaux comportements de mobilité. En conséquence, les utilisateurs se trouvent généralement confrontés à la nécessité de choisir entre plusieurs possibilités pour se rendre d'un point d'origine à leur lieu de destination. Dans le but de les aider à naviguer facilement à travers ces réseaux complexes, un système efficace d'information voyageurs doit être construit. Grâce à ce système, les opérateurs de transport cherchent non seulement à fournir des itinéraires optimaux, mais aussi des solutions efficaces et fiables en cas de perturbations. En réalité, les passagers ne cherchent pas seulement à minimiser le temps de trajet. Ils ont aussi tendance à considérer d'autres critères tels que le confort et l'effort qu'il s'agit alors d'optimiser. Un système de routage efficace devrait donc tenir compte des préférences de chaque passager. En outre, les modes de transport sont souvent enclins à des retards. La prise en considération de l'incertitude est donc un aspect très important pour un calculateur d'itinéraires. Les itinéraires multimodaux proposés doivent non seulement être réalisables dans un cas statique, mais également suffisamment robustes face à des aléas. En outre, tout en intégrant des contraintes essentielles telles que la capacité limitée des véhicules, une attention particulière devrait aussi être accordée à la complexité temporelle des algorithmes de routage développés. L'objectif principal de cette thèse est d'élaborer une formulation qui permet de représenter adéquatement un réseau de transport multimodal. En nous basant sur cette formulation, nous proposons plusieurs algorithmes de routage. Nous nous concentrons en particulier sur la résolution de problèmes de plus courts chemins dans un contexte mono/multicritère dans un réseau de transport dynamique et stochastique. Des métaheuristiques telles que les Algorithmes Génétiques (GA), la méthode de Recherche à Voisinage Variable (VNS) et les Algorithmes Mémétiques (MA) ont été utilisés pour fournir des résultats en temps réel. La performance de calcul a été évaluée en résolvant des requêtes de routage à l'échelle du réseau de transport de la Région française Île-de-France. Les résultats indiquent que les nombreuses instances traitées ont été résolues dans un laps de temps raisonnable et que nos algorithmes de routage sont suffisamment performants pour être intégrés dans un calculateur d'itinéraire multimodal opérationnel.
- 19 February 2026
- Published by Elsevier in Computer Science Review
- Vol. 61
Blockchain-enabled defenses in federated learning: A comprehensive survey
- 19 February 2026
- Published by Elsevier in Computer Science Review
- Vol. 61
Blockchain-enabled defenses in federated learning: A comprehensive survey
- 28 December 2025
- Published by Springer Nature in International Journal of Information Security
- Vol. 25 (1) , 19
Advanced intrusion detection for IoT devices using federated deep learning
- 28 December 2025
- Published by Springer Nature in International Journal of Information Security
- Vol. 25 (1) , 19
Advanced intrusion detection for IoT devices using federated deep learning
- 5 October 2025
- Published by Elsevier in Knowledge-Based Systems
- Vol. 330
Secure and incentivized federated learning for resilient telemedicine diagnostics
- 5 October 2025
- Published by Elsevier in Knowledge-Based Systems
- Vol. 330
Secure and incentivized federated learning for resilient telemedicine diagnostics
- Open Access
- 18 February 2025
- Published by PeerJ in PeerJ Computer Science
- Vol. 11, e2716
Enhancing fraud detection in the Ethereum blockchain using ensemble learning
The Ethereum blockchain operates as a decentralized platform, utilizing blockchain technology to distribute smart contracts across a global network. It enables currency and digital value exchange without centralized control. However, the exponential growth of online commerce has created a fertile ground for a surge in fraudulent activities such as money laundering and phishing, thereby exacerbating significant security vulnerabilities. To combat this, our article introduces an ensemble learning approach to accurately detect fraudulent Ethereum blockchain transactions. Our goal is to integrate a decision-making tool into the decentralized validation process of Ethereum, allowing blockchain miners to identify and flag fraudulent transactions. Additionally, our system can assist governmental organizations in overseeing the blockchain network and identifying fraudulent activities. Our framework incorporates various data pre-processing techniques and evaluates multiple machine learning algorithms, including logistic regression, Isolation Forest, support vector machine, Random Forest, XGBoost, and recurrent neural network. These models are fine-tuned using grid search to enhance their performance. The proposed approach utilizes an ensemble of three distinct models (Random Forest, extreme gradient boosting (XGBoost), and support vector machine) to further improve classification performance. It achieves high scores of over 98% across key classification metrics like accuracy, precision, recall, and F1-score. Moreover, the approach is suitable for real-world usage, with an inference time of 0.13 s.
- 18 February 2025
- Published by PeerJ in PeerJ Computer Science
- Vol. 11, e2716
Open AccessEnhancing fraud detection in the Ethereum blockchain using ensemble learning
The Ethereum blockchain operates as a decentralized platform, utilizing blockchain technology to distribute smart contracts across a global network. It enables currency and digital value exchange without centralized control. However, the exponential growth of online commerce has created a fertile ground for a surge in fraudulent activities such as money laundering and phishing, thereby exacerbating significant security vulnerabilities. To combat this, our article introduces an ensemble learning approach to accurately detect fraudulent Ethereum blockchain transactions. Our goal is to integrate a decision-making tool into the decentralized validation process of Ethereum, allowing blockchain miners to identify and flag fraudulent transactions. Additionally, our system can assist governmental organizations in overseeing the blockchain network and identifying fraudulent activities. Our framework incorporates various data pre-processing techniques and evaluates multiple machine learning algorithms, including logistic regression, Isolation Forest, support vector machine, Random Forest, XGBoost, and recurrent neural network. These models are fine-tuned using grid search to enhance their performance. The proposed approach utilizes an ensemble of three distinct models (Random Forest, extreme gradient boosting (XGBoost), and support vector machine) to further improve classification performance. It achieves high scores of over 98% across key classification metrics like accuracy, precision, recall, and F1-score. Moreover, the approach is suitable for real-world usage, with an inference time of 0.13 s.
- Open Access
- 26 October 2024
- Published by MDPI AG in Journal of Theoretical and Applied Electronic Commerce Research
- Vol. 19 (4) , 2919-2960
Enhancing Online Security: A Novel Machine Learning Framework for Robust Detection of Known and Unknown Malicious URLs
The rapid expansion of the internet has led to a corresponding surge in malicious online activities, posing significant threats to users and organizations. Cybercriminals exploit malicious uniform resource locators (URLs) to disseminate harmful content, execute phishing schemes, and orchestrate various cyber attacks. As these threats evolve, detecting malicious URLs (MURLs) has become crucial for safeguarding internet users and ensuring a secure online environment. In response to this urgent need, we propose a novel machine learning-driven framework designed to identify known and unknown MURLs effectively. Our approach leverages a comprehensive dataset encompassing various labels—including benign, phishing, defacement, and malware—to engineer a robust set of features validated through extensive statistical analyses. The resulting malicious URL detection system (MUDS) combines supervised machine learning techniques, tree-based algorithms, and advanced data preprocessing, achieving a high detection accuracy of 96.83% for known MURLs. For unknown MURLs, the proposed framework utilizes CL_K-means, a modified k-means clustering algorithm, alongside two additional biased classifiers, achieving 92.54% accuracy on simulated zero-day datasets. With an average processing time of under 14 milliseconds per instance, MUDS is optimized for real-time integration into network endpoint systems. These outcomes highlight the efficacy and efficiency of the proposed MUDS in fortifying online security by identifying and mitigating MURLs, thereby reinforcing the digital landscape against cyber threats.
- 26 October 2024
- Published by MDPI AG in Journal of Theoretical and Applied Electronic Commerce Research
- Vol. 19 (4) , 2919-2960
Open AccessEnhancing Online Security: A Novel Machine Learning Framework for Robust Detection of Known and Unknown Malicious URLs
The rapid expansion of the internet has led to a corresponding surge in malicious online activities, posing significant threats to users and organizations. Cybercriminals exploit malicious uniform resource locators (URLs) to disseminate harmful content, execute phishing schemes, and orchestrate various cyber attacks. As these threats evolve, detecting malicious URLs (MURLs) has become crucial for safeguarding internet users and ensuring a secure online environment. In response to this urgent need, we propose a novel machine learning-driven framework designed to identify known and unknown MURLs effectively. Our approach leverages a comprehensive dataset encompassing various labels—including benign, phishing, defacement, and malware—to engineer a robust set of features validated through extensive statistical analyses. The resulting malicious URL detection system (MUDS) combines supervised machine learning techniques, tree-based algorithms, and advanced data preprocessing, achieving a high detection accuracy of 96.83% for known MURLs. For unknown MURLs, the proposed framework utilizes CL_K-means, a modified k-means clustering algorithm, alongside two additional biased classifiers, achieving 92.54% accuracy on simulated zero-day datasets. With an average processing time of under 14 milliseconds per instance, MUDS is optimized for real-time integration into network endpoint systems. These outcomes highlight the efficacy and efficiency of the proposed MUDS in fortifying online security by identifying and mitigating MURLs, thereby reinforcing the digital landscape against cyber threats.