الدكتوراه للباحث عبدالسلام محمد حسين من قسم تكنولوجيا المعلومات بكلية الحاسوب

نال الباحث عبدالسلام محمد حسين خاقو درجة الدكتوراه في الحوسبة وعلم المعلومات – قسم تكنولوجيا المعلومات، تخصص تكنولوجيا المعلومات، بكلية الحاسوب وتكنولوجيا المعلومات – جامعة صنعاء، عن أطروحته الموسومة بـ:
(تحسين خوارزمية ناقدة الذات المميزة غير المتزامنة لاكتشاف اختراق الأمن السيبراني في حوسبة الحافة)
وذلك يوم الخميس 24/8/1447هـ الموافق 12/2/2026م.

وتكوّنت لجنة المناقشة والحكم من:
الأستاذ الدكتور/ شرف عبدالحق مهيوب الحمدي – مشرفًا رئيسًا وعضوًا في اللجنة.
الأستاذ المشارك الدكتور/ ناجي علي عبدالله الشيباني – مناقشًا داخليًا ورئيسًا للجنة.
الأستاذ المشارك الدكتور/ فؤاد حسن محمد يحيى عبدالرزاق – مناقشًا خارجيًا وعضوًا في اللجنة.

وهدفت الأطروحة إلى :
تطوير موازنة تكيفية للفئات باستخدام تقنية التوليد الاصطناعي الديناميكي لعينات الفئة الصغرى مع خوارزمية أقرب الجيران المنقّحة (DSMOTEENN) على مجموعة بيانات X-IIoTID.
تعزيز عامل (Worker) في خوارزمية A3C من خلال تحقيق تقارب أسرع، وتقليل تباين التدرّج، وضمان تحديثات مستقرة، وتحسين مزامنة المعاملات.
تصميم خوارزمية HDAT التي تدمج بين A3C المحسّنة (الأكثر ملاءمة لاكتشاف الهجمات المعتمدة على السمات المستمرة) وشجرة القرار (DT) (الأكثر ملاءمة لمصنفات اكتشاف الهجمات المعتمدة على السمات المتقطعة).

وتوصلت الأطروحة إلى عددٍ من النتائج، منها:
أثبتت الخوارزمية الهجينة كفاءة عالية في معالجة مشكلة عدم توازن البيانات بفضل تقنية DSMOTEENN، مما حسّن اكتشاف الفئات النادرة وقلّل من معدلات الخطأ في الفئات الأقل تمثيلًا.
أظهرت نتائج التقييم أن التحسينات المقترحة على خوارزمية A3C ضمن نموذج EA3C (مثل تثبيت التدرّج، والمزامنة الموزونة للمعاملات، واستخدام CNN وFFNN لاستخلاص السمات) أدت إلى تقارب أسرع، واستقرار تدريبي أعلى، وقدرة أفضل على التعميم مقارنةً بالخوارزميات المرجعية مثل DT وDDQN وAERL.
أثبتت الدراسة أن خوارزمية HADT المقترحة تمثل نقلة نوعية في مجال أنظمة كشف التسلل في بيئات إنترنت الأشياء الصناعي، حيث حققت متوسط Accuracy وPrecision وRecall وF1-Score تجاوز 99.8% في مهام التصنيف الثنائي ومتعدد الفئات حتى 19 فئة هجومية.
بينت النتائج أن دمج EA3C مع شجرة القرار ضمن البنية الهجينة HADT مكّن النظام من الاستفادة من قوة التعلم العميق في تمثيل الأنماط عالية الأبعاد، مع الحفاظ على قابلية التفسير والشفافية التي توفرها شجرة القرار.
أظهرت تحليلات ROC وAUC قيماً شبه مثالية (بين 0.9982 و1.0000)، مما يعكس قدرة عالية على التمييز بين الأنماط الطبيعية والهجومية تحت ظروف تشغيل مختلفة.
تميزت الخوارزمية بكفاءة في استهلاك الموارد، حيث حققت زمنًا تدريبيًا منخفضًا، وزمن استدلال مناسبًا للتطبيقات الفورية، واستهلاكًا محسّنًا للطاقة، مما يؤكد ملاءمتها للتطبيق في بيئات الحوسبة الطرفية الصناعية محدودة الموارد.
أكدت الدراسة أن المنهجية الهجينة المقترحة تتفوق على الأساليب التقليدية والتعلم المعزز الفردي، وتضع معيارًا جديدًا في مجال تحليلات أمن إنترنت الأشياء الصناعي من حيث الدقة والموثوقية وقابلية التعميم.

وقدّم الباحث عددًا من التوصيات، منها:
توسيع نطاق التقييم ليشمل مجموعات بيانات صناعية متنوعة من قطاعات مختلفة (كالطاقة، والتصنيع، والرعاية الصحية) للتحقق من قدرة التعميم في بيئات واقعية متعددة.
دمج نماذج تعلم عميق قائمة على الرسوم البيانية مثل Graph Neural Networks أو Graph Attention Networks لتعزيز اكتشاف الهجمات المنسقة واسعة النطاق المعتمدة على البنية الطوبولوجية للشبكات.
دراسة تحسينات إضافية في سياسات التعلم المعزز باستخدام خوارزميات مثل Proximal Policy Optimization وSoft Actor-Critic لتحسين الاستقرار وقابلية التوسع في البيئات واسعة النطاق.
إدماج تقنيات التعلم الميتا (Meta-Reinforcement Learning) لتمكين النظام من التكيف السريع مع أنماط هجمات جديدة بأقل قدر من إعادة التدريب.
اختبار النظام في بيئات صناعية حقيقية مع حركة مرور فعلية لتقييم الأداء تحت قيود زمنية وطاقية واقعية.
توظيف التعلم الفيدرالي لضمان تبادل النماذج بين عقد Edge المختلفة مع الحفاظ على خصوصية البيانات الصناعية الحساسة.
تعزيز قابلية التفسير باستخدام تقنيات XAI مثل SHAP وLIME لزيادة ثقة محللي الأمن في قرارات النظام.
العمل على ضغط النماذج (Model Compression) والتكميم (Quantization) لتسهيل نشر النظام على أجهزة ذات موارد محدودة جدًا مثل المتحكمات الدقيقة والأنظمة المدمجة.
تطوير بنية متعددة العمال (Multi-Worker DRL) موزعة لتعزيز الدفاع التعاوني في شبكات IIoT واسعة النطاق.
التوجه نحو أنظمة كشف تسلل متعددة الوسائط (Multi-Modal IDS) تدمج بين تحليل تدفقات الشبكة وسلوك الأجهزة وبيانات الحساسات، بما يعزز القدرة على التصدي للهجمات المعقدة والمتخفية.

حضر المناقشة عدد من الأكاديميين والباحثين والطلاب والمهتمين، إضافة إلى عدد من زملاء الباحث وأفراد أسرته.