مناقشة رسالة دكتوراه في "Artificial Intelligence and Cybersecurity" للسيد Oluwadamlare Harazem ABDULGANYU

الجامعة الأورومتوسطية بفاس يسرّها أن تعلِن للجمهور عن

مناقشة أطروحة الدكتوراه في ” Artificial Intelligence and Cybersecurity ”

ستُعقد مناقشة الرسالة يوم الخميس، 10 يوليو 2025، الساعة 09:00 صباحاً في الجامعة الأورومتوسطية بفاس 

الموقع: القاعة، المبنى 1 

سيتم تقديم الرسالة من قبل السيد Oluwadamlare Harazem ABDULGANYU

تحت عنوان :

“ تصميم نظام كشف تسلل قائم على شبكة هجينة (NIDS) باستخدام الذكاء الاصطناعي (AI) ”

General Summary 

تعتمد قطاعات البُنى التحتية الحيوية مثل تكنولوجيا المعلومات والاتصالات والطاقة على نظم قوية ومتكيّفة للأمن السيبراني لحماية العمليات من التهديدات السيبرانية المعروفة والجديدة على حد سواء. غالباً ما تعاني أنظمة كشف التسلل التقليدية (IDS) من معدلات عالية من الإيجابيات الكاذبة، ودقة محدودة في كشف الهجمات الجديدة، وأعباء حسابية، وعدم كفاءة في التعامل مع حركة مرور شبكية غير متوازنة حيث تفوق الأنشطة المباحة بكثير السلوك الخبيث. لمواجهة هذه التحديات، اعتمد هذا البحث منهجاً تجريبياً متعدد المراحل بدأ بتطوير وتقييم ثلاثة نماذج كشف شذوذ مبنية على التعلم العميق: (1) CWFLAM-VAE_XGB، الذي يدمج خسارة مركزة حسب الفئة، المشفّر التبايني، آلية الانتباه وXGBoost لتحسين تعلم الميزات وتمييز الفئات؛ (2) CWFL-VAE_AM-LSTM، الذي يضم LSTM معزز بالانتباه وخسارة مركزة لالتقاط العلاقات الزمنية وإعطاء أولوية لكشف الفئة الأقل تمثيلاً؛ و(3) FS-AM-FL-LSTM، نموذج LSTM لقليل العينات معزز بالانتباه والخسارة المركزة، مصمم خصيصاً للأداء الجيد في بيئات العينات المحدودة عبر التعرف على أنماط التسلل النادرة ولكن الحرجة. تم تقييم هذه النماذج باستخدام مجموعات بيانات معيارية تشمل NSL-KDD وCSE-CIC-IDS2018 وIEC 60870-5-104، وقيّمت عبر مقاييس شاملة مثل الدقة، والإحكام، والاستدعاء، وF1، ومعدلات الإيجابيات والسالبات الكاذبة، وزمن الكشف، ومعدل المعالجة. أظهر نموذج LSTM القليل العينات المعتمد على الانتباه (FS-AM-FL-LSTM) تفوقاً في التعامل مع البيانات غير المتوازنة وكشف الهجمات الجديدة. استناداً إلى هذه النتيجة، تم دمج أفضل نموذج كشف شذوذ مع محرك كشف توقيعات قائم على Snort لتطوير نظام كشف تسلل هجين مقترح نهائي سُمي Snort Adaptive Few-Shot Learning (Snort-AFL). يجمع هذا النظام الهجين بين كفاءة الكشف بالتوقيع الحتمية وذكاء التعلم العميق التكيفي. تم تحسين محرك Snort باستخدام خوارزميات التجزئة وفرز الراديكس لمطابقة التواقيع بسرعة، بينما استفادت مكوّنات كشف الشذوذ من آليات الانتباه والخسارة المركزة لتحسين كشف التهديدات المعقّدة والجديدة. صُمم التكامل لموازنة الكشف منخفض الكمون عن التهديدات المعروفة مع قابلية عالية للتكيّف مع أنماط الهجوم المتطورة. بالإضافة إلى ذلك، أُدرجت تقنيات الذكاء الاصطناعي القابل للتفسير لتعزيز الشفافية وقابلية تفسير عملية اتخاذ القرار في النظام. أظهرت النتائج التجريبية أن Snort-AFL يتفوّق على نماذج IDS التقليدية والنهج الهجينة القائمة عبر جميع المقاييس المُقَيَّمة. يُقدّم هذا البحث بنية عملية وفعّالة لنظام كشف تسلل هجين يعالج القيود الحرجة للأنظمة الحالية ويقدّم حلاً قابلاً للتوسع لحماية البُنى التحتية الحيوية في بيئات شبكية معقّدة وغير متوازنة ودينامية.

ستُعرض هذه الرسالة أمام أعضاء اللجنة: