نظام الهوائي الذكي مكون من مصفوفة عناصر الهوائي المتعددة لديها القدرة على معالجة الإشارات المستقبلة؛ وذلك لتحسين نمط الإشعاع الخاص به تلقائيًا استجابة لبيئة الإشارة, فالهدف من هذا النظام تقدير جهة ورود الإشارة المستقبلة وتشكيل الحزمة وإعادة توجيهها بالاعتماد على التقنيات القائمة على معالجة الإشارات. ولتقدير جهة ورود الإشارة بدقة تستخدم خوارزميات متعدّدة وأهمها خوارزمية تصنيف الإشارات المتعددة .

استطاعت خوارزمية MUSIC تقدير جهة ورود الإشارات العشوائية باختلاف أو تساوي التردد, ودراسة بارامترات تصميم الهوائي التي تؤثر بشكل مباشر على عملها, ومِن ثَمَّ الوصول إلى أفضل القيم لتصميم هوائي قادر على تقدير جهة ورود الإشارات بشكل دقيق.

ولكن في حالة ترابط الإشارات الناتجة عن مشكلة تعدد المسارات, فشلت الخوارزمية في التقدير ولذا أصبح المطلوب تحسينها لتحقق دقة تقدير عالية, ولذلك استخدمنا تقسيم عناصر المصفوفة إلى مجموعة مصفوفات فرعية أمامية واستخدام مصفوفة انتقال للتقسيم الخلفي لنحصل على مصفوفة تغاير خاصة بحالة ترابط الإشارات, واستنتجنا أنه كلما ازداد حجم المصفوفة الفرعية وقل عدد عناصر الهوائي ستقل عدد المصفوفات الفرعية وبذلك تزداد دقة تقدير خوارزمية MUSIC  لتقدير جهة ورود الإشارات المترابطة.

شهدت الأعوام الأخيرة تقدّماً هائلاً في التكنولوجيا وتمّ الاعتماد عليها في مجالات كثيرة من بينها السّياحة، حيث شغلت حيّزاً كبيراً ضمن هذا المجال، هذا التّقدّم أدّى إلى مصادر لانهائيّة من المعلومات المتعلّقة بالسّياحة، والفيسبوك يعدّ مثالاً عن أحد هذه المصادر، وهو عبارة عن منصّة يقوم النّاس بنشر خبراتهم وتقييماتهم بصورة يوميّة عليها. وبذلك نجد من تقنيّات التجميع والتّنبّؤ الجديدة عدداً كثيراً يساعد المستخدمين على اختيار الأماكن المناسبة التي تلبّي احتياجاتهم و / أو تفضيلاتهم من عدد هائل من الخيارات المتاحة. تقدّم هذه الرّسالة نظام توصية بالأماكن السّياحيّة يقوم على معرفة نوع المناطق السّياحيّة التي يهتم بها السّيّاح من خلال تطبيق أندرويد، وإيجاد التّوصيات المناسبة التي تستند إلى البيانات التي يتم تجميعها ديناميكيّاً واستقرائها من بيانات تسجيل الوصول على فيسبوك، والتي نادراً ما يتمّ النّظر في استخدام بيانات تسجيل الوصول على فيسبوك في أنظمة التّوصية التقليديّة. تمّ استخدام نظام التّوصية الهجين حيث يدمج بين مزايا أنظمة التّوصية المدركة للسياق من ناحية تجميع المستخدمين بناءً على اهتماماتهم ومزايا أنظمة التّوصية التّعاونية من ناحية إيجاد المستخدمين الذين لديهم اهتمامات مشابهة للمستخدم الحالي. يمكن للنظام الحالي أن يتكيّف مع سلوك المستخدم المتغيّر بصورة ديناميكيّة وبالتّالي يعطي التّوصيات بما يناسب التّغيير الحاصل. تمّ توضيح أهميّة البيانات المتاحة على الشبكات الاجتماعية من أجل تحسين جودة عمليّة التوصية بالأماكن السياحية التي تناسب اهتمامات المستخدمين.

تعد تقنية (FSO: Free Space Optics) واحدة من الاتجاهات الحديثة في تكنولوجيا الاتصالات، حيث تنتقل فيها الإشارة من مكان إلى آخر عبر الغلاف الجّوي. تتمثل الميزة الرّئيسية لهذا النّظام بكفاءة عرض النّطاق التّرددي عند مقارنتها مع تقنية RF. إلا أن واحدة من المهمات الصعبة لتنفيذ هذا النظام تكمن في الظّروف الجّوية مثل الضّباب والأمطار وما إلى ذلك والتي ستسبب تدهور في الإشارة لنظام FSO. في الآونة الأخيرة ظهرت خوارزميات تعلّم الآلة (MLAs: Machine Learning Algorithms) من أجل التنبّؤ الجيّد لتحسين أداء الشّبكة. في هذا العمل تمّ استخدام تقنية Coherent OFDM لتعزيز أداء النّظام وللتغلّب على ضعف الإشارة بسبب الظّروف الجوية. تمت المحاكاة باستخدام برنامج Optisystem v.15 حيث قمنا بقياس قيمة BER في حالات الطّقس المختلفة (صحو _ مطر _ ضباب)، ومن ثمّ تمّ استخدام ثلاث من خوارزميات تعلّم الآلة وهي (SVR:Support Vector Regrission) (RF: Random Forest) (DT: Decision Tree) وذلك لتقدير قيمة BER: Bit Error Rate. تم استخدام البيانات التي حصلنها عليها من برنامج Optisystem لتدريب واختبار نماذج MLAs. أظهرت النّتائج أنّ خوارزمية RF أعطت أفضل دقّة تنبؤ لقيمة BER حيث أعطت أكبر قيمة لمعامل  وأصغر قيمة لمتوسّط مربع الخطأ MSE مقارنة مع النّماذج الأخرى.

أنظمة التوصية هي أنظمة تقنية تستخدم الذكاء الاصطناعي لتوصية المستخدمين بالمنتجات أو الموارد أو الخدمات التي قد تكون مفيدة وملائمة لهم بناءً على سجلات نشاطاتهم السابقة أو تفضيلاتهم. فهي تهدف للتنبؤ فيما إذا كان العنصر سيكون مفيد للمستخدم أم لا، حيث يعتمد نجاح محركات التوصية على دقة التوصيات وفهم تفضيلات المستخدمين. في مجال محركات التوصية تعتبر التوزيعات الاحتمالية أداة قوية لتحقيق أهداف التوصية بشكل فعال. من خلال التوزيعات الاحتمالية يمكن تمثيل وفهم توزيع البيانات واحتمالات حدوث الأحداث المختلفة. فإن استخدام التوزيعات الاحتمالية في مجال محركات التوصية يساعد في تحسين دقة وفعالية التوصيات. 

يقدم هذا البحث آلية جديدة لتحسين الدقة التنبؤية لأنظمة التوصية من خلال اتباع نهج جديد يعتمد على التوزيعات الاحتمالية وذلك لتحقيق ترجيح العناصر التي سيتم اقتراحها على المستخدم بحيث يتم تقديم توصيات بدقة تنبؤية عالية. 

المصادقة في الحوسبة السَّحابية هي عملية التَّحقق من هوية المستخدم ، يستخدم التوقيع الرقمي لضمان هذه العملية ، والذي يعتمد بِصُورَةٍ رَئيسيَّة على عمليتي التَّشفير و التَّجزئة . في هذا البحث تم اقتراح نموذج مطوَر عن خوارزمية التَّجزئة  SHA1 التي تحقق معدل Avalanche effect  (أثر الانهيار ) منخفض ، و كذلك تم اقتراح  نموذج مطور عن خوارزمية التَّشفير RSA التي تتعرض إلى  هجوم التَّحليل إلى عوامل .و حققت النَّماذج المطوَّرة حلّ  المشاكل السَّابقة  ، و بالتالي حسَّنت عملية المصادقة في الحوسبة السّحابية المعتمدة أصلاً على التَّوقيع الرقمي .

أَدَّتِ التَّطُوُّرَاتُ في الشَّبَكَاتِ الكَهرَبَائِيَّة والتَّنَوُّعُ الكَبِيرُ في الأَحْمَالِ بَيْنَ الصَّغِيرَةِ، والكَبِيرةِ إِلَى ظُهُورِ العَدِيدِ من الاِضطِرَاباتِ التي تُسَبِّبُ خَلَلاً في التَوزِيع المُتَوَازِنِ لِلطَاقَةِ بَيْنَ مُستَخدِمِي الشَّبَكَةِ، ولذَلِكَ فَإِنَّ المُرَاقَبةَ المُستَمِرّةَ لاِضِّطرَابَاتِ جُودَةِ الطَّاقَةِ في نِظَامِ تَوزِيع الطَّاقَةِ الكَهرَبَائِيَّةِ أَصبَحَ مَسأَلةً مُهِمَّةً جداً. 

إِذْ يُسَاعِدُنَا تَحلِيلُ جُودَةِ الطَّاقَةِ (PQ) في تَحسِينِ نِظَامِ الطَّاقَةِ وصِيَانَتِه، ومُعَرّفة مدى تَحقِيقِ مُحَدَّداتِ الشَّبَكَةِ الكَهرَبَائِيَّة لِمَعَايِيرِ الجُودَةِ المَنصُوصِ عَلِيها في المُوَاصِفَاتِ العَالِمِيَّةِ القِيَاسيَّةِ.

تَمَّ، في هَذَا البَحْثِ، إِنشَاءُ نُمُوذَجٍ لشَبَكَةِ تَوزِيع كَهْرَبَائِيَّةٍ مَحلِيَّةٍ (خَطّ المَشتَى)، وتَطوِير نَمَاذِج مُحَاكَاةٍ في بِيئَة Matlab/Simulink واِستِخدَامِهَا لمُحَاكَاةِ مَجمُوعَةٍ وَاسِعَةٍ من الاِضطِرَاباتِ التي تَحدُثُ في الشَّبَكَة الكَهرَبَائِيَّة، بِهَدَفِ دِرَاسَة كَيْفَ تُؤثِّرُ هَذِهِ الاِضطِرَاباتُ عَلَى شَكْلِ الإِشَارَةِ الكَهرَبَائِيَّة؟ وعَلَى الجَهْدِ؟ أو التَيَّار والتَرَدُّد؟. 

ثُمَّ قُمْنَا بتَصمِيمِ وَحْدَتَي تَحَكُّمٍ ضَبَابِيٍّ من النَّمَط الثَّانِي بِاِستِخدَام IT2-FLS TOOLBOX، لمُرَاقَبةِ الشَّبَكَةِ الكَهرَبَائِيَّة المُصَمَّمةِ، والحِفَاظ عَلَى اِستِقرَارهَا، حَيْثُ سيَتُمُّ التَّحَكُّمُ عَلَى مُستويِينِ: عَلَى مُستَوَى عُقَد التَوزِيع، وعَلَى مُستَوَى التَّولِيد، فَسيَتُمُّ وَصْلُ المُتَحَكِّمِ الضَّبَابِيِّ الأَوَّل عَلَى مُستَوَى عُقَد التَوزِيع إِلَى أَحْمَالٍ إِضَافِيّةٍ مُقَسَّمةٍ إِلَى أَحْمَالٍ صَغِيرةٍ، وأَحْمَالٍ مُتَوَسِّطةٍ، وأَحْمَال كَبِيرةٍ، وله ثَلَاثةُ مَدَاخِلَ هي: الدَّخْل الأَوَّل (الجَهْد)، والدَّخْل الثَّانِي (التَرَدُّد)، والدَّخْل الثَّالِث (حَالَة الاِستِهلَاك في الشَّبَكَة)، ويَكُون خَرْجُ المُتَحَكِّم هو إِشَارَة تَحَكُّمٍ تَتَحكَّمُ بِدُخُول المُستَهلِكينَ وخُرُوجهم من الشَّبَكَة، في حَالَة عَدَم الاِستِقرَار بِمَا يَضمُنُ عَودَة الشَّبَكَة إِلَى حَالَتها المُستَقرّة.

وسيَتُمُّ وَصْلُ المُتَحَكِّمِ الضَّبَابِيِّ الثَّانِي عَلَى مُستَوَى التَّولِيد إِلَى مَحَطَّة طَاقَة مُتَجَدِّدَة (طَاقَة شَمسِيَّة) له دَخْلٌ وَحِيدٌ هو الاِستِطَاعَة المُقَدِّمَةُ من المُوَلِّد الرَّئِيسِيِّ، ويَكُونُ خَرْجُ المُتَحَكِّمِ هو إِشَارَةَ تَحَكُّمٍ تَتَحكَّمُ بِدُخُولِ مَحَطَّةِ الطَّاقَةِ الشَّمسِيَّةِ وخُرُوجهَا من الشَّبَكَةِ حَسَبَ مُستَوَى الاِستِطَاعَةِ وذَلِكَ لِضَمَانِ الاِستِقرَار، وجُودَة الطَّاقَة ضِمْنَ الشَّبَكَة الكَهرَبَائِيَّة.

فَتَمَكَّنَا في هَذِهِ الدِّرَاسَة من:

⦁ دِرَاسَة واقع شَبَكَة كَهْرَبَائِيَّة مَحلِيَّة (خَطّ المَشتَى).

⦁ المُرَاقَبة المُستَمِرّة لاِضِّطرَابَات جُودَة الطَّاقَة التي تَحدُثُ في نِظَامِ تَوزِيعِ الطَّاقَةِ الكَهرَبَائِيَّةِ.

⦁ تَصمِيمُ وَحْدَتَي تَحَكُّمٍ ضَبَابِيٍّ من النَّمَط الثَّانِي تَحَقُّق ما يلي:

⦁ الحِفَاظُ عَلَى قِيْمَةٍ ثَابِتةٍ لِجَهْد الشَّبَكَةِ وتَرَدُّدِهَا. 

⦁ تَحسِينُ اِستِقرَارِ الشَّبَكَةِ الكَهرَبَائِيَّة. 

⦁ إِدَارَةُ اِستِهلَاكِ الطَّاقَةِ في سَاعَاتِ الذُّروَة.

الشبكات المعرفة برمجياً Software-defined networks (SDN) هي منهج أو أسلوب جديد في إدارة شبكات الحاسب، حيث يستطيع مسؤول الشبكة إدارة الشبكة بطريقة مجردة بعيداً عن معرفة تفاصيل الشبكة في الطبقات الدنيا، وتعبر عن قدرة التطبيقات على برمجة أجهزة الشبكة الفردية ديناميكياً وبالتالي التحكم في سلوك الشبكة ككل. يعد التنبؤ بالاختناقات مهماً لتحليل الأداء وتخطيط الشبكات المعرفة برمجياً (SDN). تم في هذا البحث تقديم طريقة منهجية تنبؤ بحالات الاختناق المستقبلية من خلال استيفاء عدد من سمات الأداء النسبية التي توفر دخلاً موثوقاً للشبكات العصبونية (LSTM) Long short-term memory من أجل التنبؤ المسبق بالاختناقات, وتفعيل موازن الحمل في الوقت المناسب. تم مناقشة أداء شبكة افتراضية معروفة البنية مسبقاً بنطاق ترددي ثابت, وبوجود متحكم SDN من نوع POX. تم تنفيذ سلسلة من التراسلات لمدة 5 ثوانٍ بين مستخدمين ضمن الشبكة وتم تحقيق حالة من الازدحام. تم في النهاية استخلاص بعض السمات المميزة والخصائص التي تم استخدامها كبيانات دخل لشبكة عصبونية من نوع LSTM. تظهر النتائج أنه بالاعتماد على استيفاء نسبة معدل تغير (معدل التراسل، البيانات المستلمة، عرض الحزمة المستخدم) من خلال تنسيبها إلى حالة مرجعية مثالية أو حالة بدائية، يمكن توفير بيانات دخل مُعالجة مسبقاً وسهلة التحليل بالنسبة لشبكات LSTM. تظهر النتائج قدرة LSTM على إعطاء السلوك التقريبي لتغير أداء الشبكة وتفعيل موازنة الحمل من خلال السمات المنسوبة بدقة تصل إلى 92% قبل الوصول إلى حالة الاختناق.

    تعد تقنية التعديل بالترشيح الكلي متعدد الحوامل UFMC من التقنيات الواعدة في أنظمة الجيل الخامس، وتعقد الآمال حولها في رفع معدل الكفاءة الطيفية بما يلبي حاجة المستخدم.

    تستخدم أنظمة الجيل الرابع تقنية التعديل الترددي المتعامد   OFDMالتي تحوي عدداً كبيراً من الحوامل الفرعية المتعامدة والمتقاربة لحمل المعلومات، مما يسبب تداخل النطاقات الفرعية لكل حامل فرعي، لحل هذه المشكلة تم إضافة بادئة دورية CP في نهاية كل رمز لإلغاء التداخل بين الرموز، لكن ذلك يؤدي إلى تكرار 10% من البتات وهذا يقلل من الكفاءة الطيفية، كما أن هذه التقنية تعاني من حدوث انبعاثات راديوية للإشارة تبدأ من سوية محددة إذا كان النطاق الترددي المستخدم عريضاً، إضافة إلى حاجتها إلى مزامنة عالية في الزمن والتردد مما يجعلها غير قادرة على دعم أنواع معينة من إرسال هوائيات Massive MIMO وهي ميزة أساسية مطلوبة في أنظمة الاتصالات اللاسلكية المستقبلية، تدعم انترنت الأشياء IoT واتصال الآليات الكثيف MMC.

   من أجل التغلب على تداعيات تقنية التعديل الترددي المتعامد   OFDM، برز دور تقنية التعديل بالترشيح الكلي متعدد الحوامل UFMC في تحسين كفاءة عرض النطاق الترددي المعطى من خلال إزالة البادئة الدورية واستخدام مرشحات أقصر طولاً مقارنةً بأطوال البادئة الدورية مما يجعل هذه التقنية قادرة على دعم إرسال الرشقات القصيرة المطلوبة عند استخدام انترنت الأشياء IoTمع تقنيات الجيل الخامس وغيرها من التقنيات التي تتطلب عرض مجال كبيراً.

   يتضمن هذا البحث مقترحاً لتحسين الكفاءة الطيفية في أنظمة الجيل الخامس من الاتصالات اللاسلكية المتنقلة من خلال تطبيق تقنية الترشيح الكلي متعدد الحوامل، كما يتضمن مقارنة بين أداء النظام باستخدام تقنية التعديل الترددي المتعامد OFDM وتقنية الترشيح الكلي متعدد الحوامل UFMC وتحديد التقنية الأفضل من عدة نواحي أهمها معدل خطأ البت وزمن المحاكاة. حيث أثبتت الدراسة تفوق تقنية UFMC من حيث الكفاءة الطيفية وزمن المحاكاة. 

تعد أنظمة التوصية (Recommender systems) إحدى أهم الأدوات المستخدمة في فلترة البيانات الضخمة والاستفادة من الميزات الهامة منها وخاصة بعد هذا التضخم الكبير في البيانات وعدم مقدرة أدوات المعالجة التقليدية في التعامل معها وتحليلها . 

اعتمدت مجالات كثيرة أنظمة التوصية بهدف تقديم أفضل التوصيات للمستخدمين بما يراعي اهتماماتهم وبالتالي تحسين تجربة المستخدم ,ومن أهم هذه المجالات هي المجال التعليمي , فقد أدى الاستخدام الكبير هذه الأيام لمنصات وأنظمة التعليم المختلفة إلى ظهور مشكلة البيانات الضخمة فيها , فكان الاتجاه نحو استخدام أنظمة التوصية إضافة إلى تقنيات حديثة قادرة على معالجة هذا التضخم ,وتحليل البيانات والاستفادة منها في تحسين العملية التعليمية.

هناك العديد من الدراسات التي تناولت كيفية تطبيق أنظمة التوصية التعاونية (Collaborative Systems) في البيئة التعليمية وتحليل البيانات فيها من خلال أدوات خاصة بالبيانات الضخمة مثل (Hadoop ,map Reduce) بهدف تحسين التعليم وخياراته , وقدمت الدراسات بناء على النتائج التي توصلت لها مجموعة من التوصيات للمتعلمين ضمن مسارهم التعليمي بما يخص المقررات المتبعة ضمنه .

إضافة لدراسات أخرى اعتمدت على خوارزميات التنقيب في البيانات لتحسين العملية التعليمية وبناء أنظمة توصية تعاونية ولكن بشكل طبقي إذ أن كل طبقة لها دور في بناء هذا النظام .

ضمن هذا البحث تم تطوير نظام توصية هجين (Hybrid system) يعمل على دمج التوصيات المقترحة من كل من أنظمة التوصية التعاونية وأنظمة التوصية القائمة على المحتوى ,إضافة لاستخدام تقنيات حديثة في معالجة البيانات الضخمة ضمن الأنظمة التعليمية مثل (PySpark) وذلك للوصول لتوصيات أكثر دقة وتساهم في تحسين جودة العملية التعليمية بشكل أكبر.

أما عن مخرجات هذا البحث فيمكن تطبيقها في مجالات التعليم سواء أكانت ضمن المدارس , الجامعات , أو الدراسات الأكاديمية.

تعتبر الحوسبة السحابية حاليًا النظام الأساسي الأكثر فعالية من حيث التكلفة لتقديم خدمات تكنولوجيا المعلومات للشركات والمستهلكين عبر الإنترنت. ومع ذلك، فهو عرضة لنقاط ضعف جديدة. يستغل نوع جديد من الهجوم يسمى هجوم الحرمان الاقتصادي من الاستدامة (EDoS) نموذج الاستخدام المدفوع لتوسيع نطاق استخدام الموارد بمرور الوقت إلى الحد الذي يتعين على مستخدم السحابة فيه دفع رسوم الاستخدام غير المتوقعة. ولمنع هجمات EDoS، تم اقتراح بعض الحلول، بما في ذلك الحلول القائمة على العتبة الصلبة والتعلم الآلي. من بينها، تحقق الحلول المستندة إلى الذاكرة طويلة المدى ( ( LSTM دقة أعلى بكثير ومعدلات إنذار كاذب مقارنة بالحلول الصعبة وغيرها من الحلول القائمة على التعلم الآلي. ومع ذلك، يتطلب LSTM طول تسلسل طويل من بيانات الإدخال، مما يؤدي إلى تدهور الأداء بسبب الزيادات في الحسابات، ووقت الكشف، واستهلاك عدد كبير من موارد الحوسبة لنظام الدفاع. لذلك، تم في هذا العمل اقتراح نظام اكتشاف EDoS قائم على التعلم العميق على مرحلتين يستخدم نموذج LSTM لاكتشاف كل تدفق غير طبيعي في حركة مرور الشبكة؛ ومع ذلك، فإن نموذج LSTM يتطلب بعد الاختبار طول تسلسل قصير لخمسة من بيانات الإدخال فقط. وبالتالي، يمكن للمخطط المقترح الاستفادة من كفاءة خوارزمية LSTM في الكشف عن كل تدفق غير طبيعي في حركة مرور الشبكة، مع تقليل طول التسلسل المطلوب للبيانات المدخلة. يحقق النموذج المقترح معدل اكتشاف عاليًا ودقة ودرجة F1 ومعدل خطأ منخفضًا، مما يبين بوضوح أنه يتفوق على الحلول الحديثة الأخرى وبشكل أكثر تحديدًا، يحقق نظام الكشف EDoS المقترح القائم على مرحلتين من الكشف 98.163% من الدقة ، 98.139% من معدل الكشف ، 98.163% من درجة F1، 1.837 %  من معدل الإنذارات الكاذبة . يستطيع النظام المقترح اكتشاف وتخفيف كل تدفق غير طبيعي في حركة مرور الشبكة خلال فترة زمنية قصيرة للغاية، يمكن لمستخدم السحابة تجنب دفع تكاليف غير متوقعة ناجمة عن هجمات  EDoS .