تواجه أنظمة الأمن السيبراني الحديثة صعوبات متزايدة في كشف التهديدات السيبرانية المتقدمة التي تتخفى داخل تدفقات الشبكة وتُحاكي السلوك الطبيعي بدرجة عالية من الدقة، مما يؤدي إلى تداخل معقد بين خصائص العينات الشرعية والخبيثة ويجعل عملية تحديد حدود فاصلة دقيقة بين الفئتين أكثر تحدياً. تتمثل مشكلة هذا البحث في محدودية خوارزميات التعلم الآلي التقليدية أحادية المقياس التي تفشل في التعامل مع الهجمات المتحورة والهجمات غير المعروفة مسبقاً، خاصة عندما تكون مجموعات البيانات غير متوازنة بشدة وتميل غالباً إلى الهيمنة الكاملة للعينات الطبيعية. تهدف هذه الأطروحة إلى تطوير إطار معرفي متعدد المقاييس يستند إلى مبادئ التعقيد الإدراكي، ويعمل على تعزيز أداء خوارزميات الذكاء الاصطناعي في اكتشاف التهديدات السيبرانية المتقدمة من خلال دمج أدوات التحليل متعدد المستويات كالكسوريات والمويجات داخل البنية الأساسية لاتخاذ القرار في الخوارزميات التقليدية. اعتمدت المنهجية على تعديل ثلاث خوارزميات رئيسية هي: خوارزمية أقرب جار (k-NN)، والشبكات العصبية المعتمدة على الانحدار التدرجي، وخوارزمية التعلم الهيبي، عبر تصميم نسخ معرفية محسّنة لكل منها. استخدمت الدراسة مجموعتي بيانات معتمدتين على مستوى العالم؛ الأولى خاصة بالتهديدات المتقدمة المستمرة (Contagio + IMPACT)، والثانية مجموعة UNSW-NB15 التي تمثل حركة مرور حقيقية تتضمن بروتوكولات متنوعة وخصائص متعددة لدفق الحزم. أظهرت النتائج التجريبية تحسناً واضحاً في دقة التصنيف، وانخفاضاً ملحوظاً في الإيجابيات والسلبيات الكاذبة مقارنة بالخوارزميات التقليدية. وتقدم هذه الأطروحة مساهمة علمية مهمة عبر طرح نموذج معرفي عملي قابل للتطبيق، قادر على معالجة التهديدات المتحورة واكتشاف الأنماط المخفية، ويمهّد لتطوير أنظمة دفاع سيبراني ذات قدرات تعلّم إدراكي وتكيف ذاتي في المستقبل.

---

تواجه أنظمة الأمن السيبراني الحديثة صعوبات متزايدة في كشف التهديدات السيبرانية المتقدمة التي تتخفى داخل تدفقات الشبكة وتُحاكي السلوك الطبيعي بدرجة عالية من الدقة، مما يؤدي إلى تداخل معقد بين خصائص العينات الشرعية والخبيثة ويجعل عملية تحديد حدود فاصلة دقيقة بين الفئتين أكثر تحدياً. تتمثل مشكلة هذا البحث في محدودية خوارزميات التعلم الآلي التقليدية أحادية المقياس التي تفشل في التعامل مع الهجمات المتحورة والهجمات غير المعروفة مسبقاً، خاصة عندما تكون مجموعات البيانات غير متوازنة بشدة وتميل غالباً إلى الهيمنة الكاملة للعينات الطبيعية. تهدف هذه الأطروحة إلى تطوير إطار معرفي متعدد المقاييس يستند إلى مبادئ التعقيد الإدراكي، ويعمل على تعزيز أداء خوارزميات الذكاء الاصطناعي في اكتشاف التهديدات السيبرانية المتقدمة من خلال دمج أدوات التحليل متعدد المستويات كالكسوريات والمويجات داخل البنية الأساسية لاتخاذ القرار في الخوارزميات التقليدية. اعتمدت المنهجية على تعديل ثلاث خوارزميات رئيسية هي: خوارزمية أقرب جار (k-NN)، والشبكات العصبية المعتمدة على الانحدار التدرجي، وخوارزمية التعلم الهيبي، عبر تصميم نسخ معرفية محسّنة لكل منها. استخدمت الدراسة مجموعتي بيانات معتمدتين على مستوى العالم؛ الأولى خاصة بالتهديدات المتقدمة المستمرة (Contagio + IMPACT)، والثانية مجموعة UNSW-NB15 التي تمثل حركة مرور حقيقية تتضمن بروتوكولات متنوعة وخصائص متعددة لدفق الحزم. أظهرت النتائج التجريبية تحسناً واضحاً في دقة التصنيف، وانخفاضاً ملحوظاً في الإيجابيات والسلبيات الكاذبة مقارنة بالخوارزميات التقليدية. وتقدم هذه الأطروحة مساهمة علمية مهمة عبر طرح نموذج معرفي عملي قابل للتطبيق، قادر على معالجة التهديدات المتحورة واكتشاف الأنماط المخفية، ويمهّد لتطوير أنظمة دفاع سيبراني ذات قدرات تعلّم إدراكي وتكيف ذاتي في المستقبل.

• الطالب/الطلاب: أبو عاقلة عمر الأمين احمد
• عنوان البحث: الذكاء الاصطناعي للكشف عن التهديدات السيبرانية:(دراسه تحليلة)
• البرنامج الدراسي: ماجستير
• نوع البحث: ماجستير بالبحث