مجلة النور للمعلومات والأمن السيبراني

المستخلص يُعدّ تحديد الحسابات المهجورة أمرًا بالغ الأهمية، إذ يُمكن أن تُصبح مرتعًا للاحتيال أو تُستخدم كحسابات وهمية، كما أن معالجة فوضى المنصة جزءٌ أساسي من التنمية المستدامة، فتراكم هذه الحسابات يُسبب فوضى عارمة. يهدف هذا البحث إلى استخدام خوارزمية C4.5 لبناء شجرة قرار، نظرًا لسرعتها وقدرتها على إدارة المدخلات الفئوية والرقمية في تحديد السمات لتصنيف حسابات فيسبوك إلى نشطة، مهجورة، أو مُعطّلة، وذلك بتحديد عدد الأيام منذ آخر تفاعل على الحساب. تم الحصول على البيانات من موقع إلكتروني، بالإضافة إلى بيانات يدوية من مصادر أخرى. أظهرت نتائج شجرة القرار قدرات التمييز المُستمدة من التعلّم الآلي. قدّم البحث حلًا لإعادة تدوير أو حذف الحسابات للتخفيف من الضرر الناجم عن تراكم الحسابات المهجورة والمُعطّلة على منصة فيسبوك. تمثّلت العقبة الأكبر أمام الباحث في حجم العينة، نظرًا لأن حسابات فيسبوك تخضع لقوانين الخصوصية، ولم تتناول الدراسات السابقة معالجة هذه الحسابات وإعادة تدويرها. كانت النتائج مُرضية في عملية التشخيص، حيث وفّرت طريقة موثوقة لضمان سلامة واستدامة التفاعلات على هذه المنصة، التي تضم مليارات المستخدمين حول العالم.

المستخلص تقدم هذه الورقة البحثية إطار عمل "تقليل التأخير مع التنقل العشوائي" (SMADM) كخوارزمية تحكم وتوجيه نظرية لشبكات المركبات (VANETs)، بهدف تقليل التأخير الشامل في ظل توفر الروابط العشوائي والتغيرات السريعة في بنية الشبكة. وتتمثل المساهمات الرئيسية في اشتقاق خوارزمية "الانحراف بالإضافة إلى العقوبة" الواعية بالتنقل، والتي تحول تقليل التأخير طويل المدى إلى قرارات لكل فترة زمنية، مما يسمح بخيارات توجيه محددة جيدًا حتى عند تغير بنية الشبكة بسرعة مع مرور الوقت. ومن خلال دمج استمرارية الروابط في عقوبة التأخير مع تنظيم نمو قائمة الانتظار، يفصل SMADM هدف تقليل التأخير عن التقلبات الطوبولوجية العابرة، والتي عادةً ما تزعزع استقرار الخوارزميات الجشعة أو الهندسية البحتة. يتوافق تحليل SMADM مع حدود ليابونوف المثلى الراسخة لمعدلات الوصول ضمن منطقة السعة، وتكون أطوال قوائم الانتظار الناتجة مستقرة، مع اقتراب عقوبة التأخير طويلة المدى المحققة من الحد الأعلى. علاوة على ذلك، تم التحقق من صحة الإطار من خلال محاكاة مكثفة باستخدام برنامج SUMO (محاكاة التنقل الحضري) في بيئة حضرية نموذجية. تُظهر النتائج أن بروتوكول SMADM يُقلل بشكل ملحوظ من زمن التأخير من البداية إلى النهاية مقارنةً ببروتوكولي GPSR وAODV، محققًا استقرارًا عشوائيًا بنسبة تسليم حزم تتراوح بين 45% و75% في ظل ظروف الازدحام المروري الشديد.

المستخلص يتألف تقييم جودة الهواء في المناطق الحضرية من تفسير تصنيفي لشدة التلوث وتقدير مستمر لتركيزات الملوثات. وبينما تُعدّ فئات مؤشر جودة الهواء (AQI) فعّالة في التواصل مع الجمهور، فإن تركيزات الجسيمات الدقيقة، مثل PM2.5 وPM10، ضرورية أيضًا للتقييم الكمي لجودة الهواء. وعلى الرغم من وجود درجة عالية من التوافق بين نوعي التقييم، إلا أنهما غالبًا ما يُنمذجان بشكل منفصل. تقترح هذه الورقة البحثية استخدام منهجية التعلّم متعدد المهام (MTL) لتقييم جودة الهواء في المناطق الحضرية باستخدام بيانات من مجموعات بيانات جدولية متعلقة بالأرصاد الجوية وجودة الهواء. تحديدًا، في إطار منهجية التعلّم متعدد المهام، سيقوم النموذج المقترح بإجراء تصنيف فئات مؤشر جودة الهواء وتحليل انحدار PM2.5/PM10 بشكل مشترك باستخدام بنية أساسية مشتركة للشبكة العصبية مع مخرجات مصممة خصيصًا لكل مهمة. سيتم اختبار أداء إطار عمل التعلّم متعدد المهام على مجموعة بيانات TRAQID ومقارنته بأداء نماذج المهمة الواحدة باستخدام نفس تقنيات معالجة البيانات وتقسيمها. تشير النتائج إلى أن نهج MTL يخلق إطار نمذجة متكامل يوفر أداءً مستقرًا عبر كلا المهمتين، ويحقق دقة تصنيف AQI بنسبة 93.72٪، ويوفر نظرة ثاقبة على المفاضلة الموجودة بين تخصص المهمة وتعلم التمثيل المشترك.

المستخلص تمثل أمراض أوراق النباتات مخاطر كبيرة على الإنتاجية الزراعية. تعتمد عملية تشخيص أمراض الأوراق عادةً على الفحص اليدوي من قبل الخبراء، إلا أن هذه الطريقة غير فعّالة إلى حدٍ كبير ومعرضة للأخطاء. تقدم هذه الدراسة بنية جديدة قائمة على مخطط متوازي لشبكات التعلم العميق، تعتمد على التشغيل المتزامن لمصنّفات ثنائية مستقلة، حيث يختص كل مصنّف بالكشف عن مرض معين. تسهم هذه البنية في تحسين استخراج الخصائص مع الحفاظ على انخفاض التعقيد الحسابي، كما تضمن موثوقية النموذج وقابليته للنقل، مما يجعله مناسبًا للتطبيق على الأجهزة خفيفة الموارد مثل الهواتف المحمولة. بالإضافة إلى ذلك، تتميز البنية المقترحة بالمرونة وقابلية التوسع، حيث يمكن إضافة مصنّفات جديدة لأمراض محددة دون زيادة في تعقيد النظام.

تم تدريب النموذج باستخدام جزء من مجموعة بيانات PlantVillage، والتي تضمنت صورًا لمحاصيل الذرة والطماطم والتفاح، حيث يحتوي كل محصول على ثلاث فئات مرضية بالإضافة إلى الحالة السليمة، مع 513 صورة لكل فئة. تم استخدام تقنيات المعالجة المسبقة وزيادة البيانات لتحسين قدرة النموذج على التعميم. يحتوي هذا النموذج على 710,786 معاملًا فقط ويستهلك 1.327 جيجا فلوبس (GFLOPs).

تم استخدام صور حقلية حقيقية تم جمعها من البيئة الطبيعية لاختبار متانة النموذج؛ إلا أن الظروف البيئية وقلة توفر النباتات جعلت من الممكن التقاط 3–4 صور فقط لكل محصول باستخدام الهاتف المحمول، مما يجعل هذا التقييم أوليًا. وقد حقق نموذج Parallel-CNN دقة تصنيف عالية، حيث بلغت في الذرة: تبقع الأوراق السيركوسبوري 98.54%، الصدأ الشائع 100%، اللفحة الشمالية للأوراق 100%؛ وفي الطماطم: التبقع البكتيري 100%، اللفحة المبكرة 100%، اللفحة المتأخرة 98.54%؛ وفي التفاح: جرب التفاح 95.63%، العفن الأسود 100%، صدأ التفاح الأرزّي 100%.

تؤكد النتائج أن النموذج المقترح يوفر حلاً فعالًا وقابلًا للتوسع وعمليًا لمراقبة المحاصيل في الوقت الحقيقي، مما يدعم تطبيقات الزراعة الذكية.

المستخلص أصبح الإرهاق الذهني والمعرفي أكثر شيوعًا مع الاستخدام المطوّل للحاسوب أو الجلوس لفترات طويلة أمام شاشات الأجهزة الذكية في البيئات الرقمية الحديثة، مما يؤثر بشكل كبير على التركيز والأداء الفردي والصحة العامة. تغطي هذه المراجعة الشاملة الأدبيات العلمية المنشورة من عام 2012 إلى عام 2025، وتدرس الأساليب القائمة على الذكاء الاصطناعي للكشف عن الإرهاق الذهني والمعرفي باستخدام بيانات كاميرات الويب والإشارات السلوكية غير اللفظية. أدت الابتكارات الحديثة في مجال الذكاء الاصطناعي ورؤية الحاسوب إلى تصميم أنظمة ذكية قادرة على الكشف عن الإرهاق من خلال الإشارات السلوكية والبصرية. تتناول هذه المراجعة الأدبية بعض الدراسات حول الكشف عن الإرهاق باستخدام الذكاء الاصطناعي، مع التركيز على الأساليب التي تستخدم كاميرات الويب لتحليل السلوك غير اللفظي. كما تسلط الضوء على الاتجاهات الرئيسية في أساليب الكشف - الفيزيولوجية والبصرية والمزدوجة - مع التركيز على الأهمية المتزايدة لنماذج التعلم العميق ودمج البيانات متعددة المصادر في تحسين كفاءة ودقة الكشف. تشير الأبحاث إلى تطور ملحوظ من أساليب استخلاص الميزات التقليدية إلى نماذج الشبكات الذكية التي تتعلم الميزات تلقائيًا، والتي يمكنها التعرف على المؤشرات الدقيقة للإرهاق مثل معدل رمش العين وحركة الرأس واتجاهها وتعبيرات الوجه الدقيقة. تمثل هذه الدراسة خطوة أساسية نحو بناء نظام ذكي متطور يعتمد على تحليل السلوك غير اللفظي، قادر على تحليل هذا السلوك باستمرار للكشف عن الإرهاق أثناء استخدام الحاسوب.

تهدف هذه المراجعة إلى تحليل ومقارنة المناهج القائمة على الذكاء الاصطناعي للكشف عن الإرهاق الذهني والمعرفي من خلال تحليل السلوك غير اللفظي وتقنيات رؤية الحاسوب، بما في ذلك التطورات المنهجية الحديثة والاكتشافات المهمة لتوجيه مسارات البحث المستقبلية.

المستخلص تُنفذ الهجمات الإلكترونية المدعومة من دول لتحقيق أهداف مُخطط لها مسبقًا، لذا فإن تأثيرها كبير. يجب على المدافعين الاستجابة، لكن نطاق الهجوم واسع، وهناك احتمال لاستغلال ثغرات أمنية غير معروفة، مما يُصعّب الاستجابة. علاوة على ذلك، قد تؤدي الاستجابة المفرطة إلى تقليل توافر المستخدمين وتعطيل العمل. لذلك، من الضروري وجود سياسة استجابة فعّالة للدفاع ضد الهجمات مع ضمان توافر المستخدمين. تقترح هذه الورقة البحثية طريقة لمعالجة هذه المشكلة من خلال جمع عدد جلسات إعادة ترطيب العمليات لأصول بوب في الوقت الفعلي واستخدامها للتعلم. باستخدام هذه الطريقة، قمنا بتدريب سياسة قائمة على التعلم المعزز على مُحاكي هجوم إلكتروني. ونتيجة لذلك، انخفضت مدة الهجوم لنموذجين من المهاجمين بمقدار 279 و31 خطوة زمنية على التوالي، بناءً على 100 خطوة زمنية. علاوة على ذلك، انخفض أيضًا عدد "إجراءات الموارد" التي تُعيق توافر المستخدمين أثناء عملية الدفاع، مما أدى إلى سياسة ذات أداء عام أفضل.

المستخلص أثبت التعلم العميق فعاليته في تحسين أداء الشبكات اللاسلكية، ومعالجة العديد من مشاكلها المهمة، بما في ذلك التوجيه، والأمان، واستشعار الطيف، وتخصيص الموارد، وتحديد المواقع. علاوة على ذلك، يُعزز دمج أدوات التعلم العميق في الشبكات بشكل كبير قدرتها على التكيف مع التحول إلى بيئات ذكية، ويُحسّن استقرار النظام ومتانته بشكل عام. ونظرًا لوجود عدد كثير من العقد في الشبكات الكبيرة وكمية معلومات الهائلة، يُمكن استخدام التعلم العميق لتحديد (مثل أفضل مسار، وعُقد النقاط الساخنة، وتوزيع التداخل، ونقاط الازدحام، واختناقات حركة المرور، وتوافر الطيف، وغيرها) من خلال تحليل عدد كبير من معلمات الشبكة (مثل استهلاك الطاقة، والتأخير، وعمر الخدمة، ومعدل الفقد، والنفقات العامة للحزم، وغيرها). تُقدم هذه الورقة مراجعةً لأبحاث منشورة حديثًا استخدمت نماذج مختلفة من التعلم العميق لتحسين أداء الشبكات اللاسلكية. بالإضافة إلى ذلك، ركزت المراجعة بشكل أساسي على المواضيع التالية في هذا المجال: تحديد موقع المستخدم، والتوجيه، والأمان، والبيانات الضخمة، والتنقل، والتحكم في الشبكة، وتطبيقات أخرى. تهدف هذه المقالة إلى مساعدة القراء على الاطلاع على النماذج والخوارزميات المقترحة في الشبكات اللاسلكية التي تعتمد على التعلم العميق، بالإضافة إلى تحديد التحديات ذات الصلة التي لم يتم حلها والتي يمكن معالجتها في الدراسات المستقبلية.

المستخلص أدى التطور السريع لإنترنت الأشياء (IoT) والتطبيقات الأخرى ذات الموارد المحدودة إلى زيادة أهمية البحث والتطوير في خوارزميات التشفير الخفيفة. وقد نتج عن ذلك تركيز أكبر على الأمن والأداء في كل من الأجهزة والبرامج، بهدف تحسينها لتلبية متطلبات التطبيقات ذات الموارد المحدودة من حيث استهلاك الطاقة والذاكرة، ومستويات الأمان المقبولة، والحاجة المُلحة لتلبية هذه المتطلبات. وقد تم اقتراح العديد من الخوارزميات، وأُقيمت مسابقات دولية لاختيار أفضل خوارزمية بناءً على بنية بسيطة وتعقيد حسابي منخفض. تستعرض هذه الدراسة وتحلل العديد من خوارزميات التشفير الخفيفة المبكرة والمقترحة، مع التركيز على بنيتها وآليتها ومعاييرها، بالإضافة إلى خصائصها وقيودها والمشاكل التي تحلها. تم استخدام حجم الكتلة وحجم المفتاح ومساحة الذاكرة ووقت التنفيذ، وما إلى ذلك، كمصفوفة للمقارنة بين خوارزميات التشفير الخفيفة. ويعتمد اختيار خوارزمية تشفير خفيفة جيدة على هذه المصفوفة، بالإضافة إلى قيود ميزات الخوارزمية وطبيعة البيئة التي تستخدمها. يوفر البحث أساسًا مرجعيًا علميًا لاختيار الخوارزمية الأنسب لتطبيق محدد ذي موارد محدودة.