---

۱. امنیت سایبری و حملات مبتنی بر هوش مصنوعی

بیان مسأله:
با رشد سریع فناوری‌های هوش مصنوعی، مهاجمان سایبری نیز از الگوریتم‌های یادگیری ماشین برای تولید حملات پیچیده‌تر استفاده می‌کنند.

روش‌های سنتی امنیت شبکه و رمزنگاری توان مقابله با این حملات پویا را ندارند و نیاز به راهکارهای نوین وجود دارد.

یکی از مسائل پژوهشی مهم در مقطع تحصیلات تکمیلی، توسعه سامانه‌های تشخیص نفوذ هوشمند و مدل‌های دفاع سایبری تطبیقی مبتنی بر یادگیری عمیق است.

---

۲. پردازش داده‌های عظیم (Big Data) در سیستم‌های توزیع‌شده

بیان مسأله:
افزایش حجم و سرعت تولید داده‌ها در صنایع مختلف، نیاز به پردازش بلادرنگ و ذخیره‌سازی توزیع‌شده را دوچندان کرده است.

زیرساخت‌های فعلی کلان‌داده از نظر مقیاس‌پذیری، هزینه و مصرف انرژی با چالش جدی مواجه‌اند.

پژوهش‌های جدید در مهندسی کامپیوتر می‌تواند بر طراحی الگوریتم‌های بهینه، معماری‌های ابری نوین و سیستم‌های پردازش موازی برای داده‌های عظیم تمرکز کند.

---

۳. اینترنت اشیاء (IoT) و شهرهای هوشمند

بیان مسأله:
گسترش دستگاه‌های اینترنت اشیاء، فرصت‌های بزرگی برای توسعه شهرهای هوشمند فراهم کرده است، اما مدیریت حجم عظیم داده‌ها و امنیت ارتباطات همچنان یک چالش کلیدی است.

یکی از مسائل اصلی، طراحی پروتکل‌های ارتباطی امن و کم‌مصرف برای شبکه‌های IoT است.

تحقیقات تحصیلات تکمیلی می‌تواند بر توسعه الگوریتم‌های بهینه برای مدیریت ترافیک داده، افزایش امنیت و بهبود مقیاس‌پذیری شبکه‌های هوشمند تمرکز نماید.

---

۴. پردازش زبان طبیعی (NLP) و مدل‌های زبانی بزرگ

بیان مسأله:
مدل‌های زبانی بزرگ (LLMs) مانند GPT پیشرفت‌های چشمگیری در حوزه پردازش زبان طبیعی ایجاد کرده‌اند، اما همچنان با مشکلاتی همچون سوگیری داده، مصرف انرژی بالا و شفافیت اندک روبه‌رو هستند.

یکی از چالش‌های مهم، طراحی مدل‌های بهینه‌تر، کم‌هزینه‌تر و قابل اعتمادتر برای استفاده در حوزه‌های تخصصی دانشگاهی و صنعتی است.

این موضوع می‌تواند به‌عنوان یک مسأله پژوهشی برای دانشجویان تحصیلات تکمیلی در زمینه هوش مصنوعی و یادگیری عمیق مطرح شود.

---

۵. معماری کامپیوتر و رایانش کوانتومی

بیان مسأله:
رایانش کوانتومی به‌عنوان یکی از فناوری‌های تحول‌آفرین آینده، ظرفیت حل مسائلی را دارد که فراتر از توان پردازنده‌های کلاسیک است.

با این حال، طراحی الگوریتم‌های کوانتومی کارآمد، بهینه‌سازی سخت‌افزار و ارتباط میان سیستم‌های کلاسیک و کوانتومی هنوز یک چالش جدی است.

پژوهش‌های ارشد و دکتری در این زمینه می‌تواند بر توسعه معماری‌های ترکیبی (Hybrid Classical-Quantum Computing) و الگوریتم‌های کوانتومی کاربردی در بهینه‌سازی و رمزنگاری تمرکز داشته باشد.

---

 

 

رشته مهندسی کامپیوتر

 پروپوزال خلاصه شامل:

• سؤال پژوهش (RQ)

• فرضیات پژوهش (Hypotheses)

• مدل مفهومی پیشنهادی (Conceptual Model)

• ماتریس مرور پیشینه (Research Gap Matrix)

---

📌 پروپوزال‌های خلاصه مهندسی کامپیوتر

---

۱. امنیت سایبری و حملات مبتنی بر هوش مصنوعی

RQ: چگونه می‌توان با استفاده از یادگیری عمیق و الگوریتم‌های تطبیقی، سیستم‌های امنیتی را در برابر حملات سایبری مبتنی بر هوش مصنوعی مقاوم‌تر کرد؟

فرضیات:

1. مدل‌های یادگیری عمیق دقت بیشتری در شناسایی حملات نوظهور نسبت به روش‌های سنتی دارند.

2. دفاع تطبیقی می‌تواند نرخ موفقیت حملات مبتنی بر هوش مصنوعی را کاهش دهد.

مدل مفهومی:

• ورودی: داده‌های ترافیک شبکه

• پردازش: یادگیری عمیق + الگوریتم دفاع تطبیقی

• خروجی: تشخیص حمله / دفاع در زمان واقعی

ماتریس مرور پیشینه:

حوزه	پژوهش‌های موجود	شکاف	پیشنهاد

IDS سنتی

تشخیص الگوهای ثابت

ناتوانی در برابر حملات نوظهور

IDS هوشمند

رمزنگاری

ایمنی بالا

هزینه پردازشی زیاد

روش‌های سبک‌تر

حملات    AI

بررسی محدود

رشد سریع تکنیک‌ها

دفاع مبتنی بر  AI

 

---

۲. پردازش داده‌های عظیم (Big Data) در سیستم‌های توزیع‌شده

RQ: چگونه می‌توان معماری‌های توزیع‌شده پردازش کلان‌داده را با هدف افزایش مقیاس‌پذیری و کاهش مصرف انرژی بهینه‌سازی کرد؟

فرضیات:

1. معماری‌های مبتنی بر رایانش ابری نسبت به روش‌های سنتی مقیاس‌پذیری بیشتری دارند.

2. الگوریتم‌های زمان‌بندی پویا مصرف انرژی را کاهش می‌دهند.

مدل مفهومی:

• ورودی: داده‌های عظیم

• پردازش: معماری توزیع‌شده + الگوریتم زمان‌بندی پویا

• خروجی: پردازش سریع‌تر + کاهش انرژی

ماتریس مرور پیشینه:

حوزه	پژوهش‌های موجود	شکاف	پیشنهاد

Hadoop/Spark

پردازش کلان‌داده

مصرف انرژی بالا

بهینه‌سازی الگوریتم‌ها

معماری ابری

توسعه محدود

مقیاس‌پذیری ناقص

Hybrid Cloud

انرژی

بررسی سطحی

نیاز به مدل جامع

الگوریتم‌های صرفه‌جو

---

۳. اینترنت اشیاء (IoT) و شهرهای هوشمند

RQ: چگونه می‌توان پروتکل‌های امن و کم‌مصرف برای مدیریت ارتباطات اینترنت اشیاء در شهرهای هوشمند طراحی کرد؟

فرضیات:

1. الگوریتم‌های رمزنگاری سبک، مصرف انرژی دستگاه‌های IoT را کاهش می‌دهند.

2. مدیریت هوشمند داده‌ها باعث افزایش مقیاس‌پذیری شبکه می‌شود.

مدل مفهومی:

• ورودی: داده‌های حسگرهای IoT

• پردازش: پروتکل سبک + الگوریتم مدیریت هوشمند

• خروجی: ارتباط امن + مصرف انرژی پایین

ماتریس مرور پیشینه:

حوزه	پژوهش‌های موجود	شکاف	پیشنهاد

IoT Security

رمزنگاری استاندارد

مصرف انرژی زیاد

Lightweight Crypto

Smart Cities

زیرساخت جزئی

مدیریت داده ضعیف

الگوریتم مقیاس‌پذیر

Energy

بررسی جزئی

بهینه‌سازی کم

الگوریتم‌های سبز

 

---

۴. پردازش زبان طبیعی و مدل‌های زبانی بزرگ (NLP & LLMs)

RQ: چگونه می‌توان مدل‌های زبانی بزرگ را بهینه‌سازی کرد تا مصرف انرژی کاهش یابد و شفافیت تصمیم‌گیری افزایش یابد؟

فرضیات:

1. مدل‌های فشرده‌سازی شده عملکرد مشابهی با LLMهای بزرگ دارند.

2. روش‌های XAI (توضیح‌پذیری) قابلیت اعتماد مدل‌ها را افزایش می‌دهند.

مدل مفهومی:

• ورودی: متن داده‌ها

• پردازش: فشرده‌سازی مدل + الگوریتم XAI

• خروجی: کارایی بالا + شفافیت بیشتر

ماتریس مرور پیشینه:

حوزه	پژوهش‌های موجود	شکاف	پیشنهاد

NLP Models

LLMهای بزرگ

هزینه انرژی بالا

مدل‌های سبک

Bias

بررسی محدود

باقی‌ماندن سوگیری

الگوریتم Fair AI

Explainability

کم‌توجهی

عدم شفافیت

XAI

---

۵. معماری کامپیوتر و رایانش کوانتومی

RQ: چگونه می‌توان با استفاده از معماری‌های ترکیبی، بهره‌وری رایانش کوانتومی و ارتباط آن با سیستم‌های کلاسیک را افزایش داد؟

فرضیات:

1. رایانش ترکیبی (Hybrid) کارایی بهتری از رایانش صرفاً کوانتومی دارد.

2. الگوریتم‌های کوانتومی خاص می‌توانند برخی مسائل NP-Hard را سریع‌تر حل کنند.

مدل مفهومی:

• ورودی: مسائل پیچیده محاسباتی

• پردازش: معماری ترکیبی (کوانتومی + کلاسیک)

• خروجی: حل سریع‌تر و بهینه‌تر مسائل

ماتریس مرور پیشینه: