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:

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:

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:

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:

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: