ناقش قسم هندسة الحاسوب في الجامعة التكنولوجية رسالة ماجستير للطالبة نور الهدى نهاد درهم عن رسالتها الموسومة:
Automated Vehicle for lane Detection based on deep learning Techniques
مركبة القيادة الذاتية للكشف عن المسار بناءً على تقنيات التعلم العميق
الهدف من هذه الدراسة هو تعزيز تكامل تقنيات CNN وIoT في الحوسبة الطرفية لاكتشاف الطريق لسيارات القيادة الذاتية، وتصميم نظام حوسبة حافة مدعوم بالذكاء الاصطناعي باستخدام Raspberry Pi لمركبات القيادة الذاتية بحيث يكون هذا النظام قادرًا على معالجة البيانات وتحليلها على الحافة، لتقليل زمن الوصول، وتمكين اتخاذ القرارات في الوقت الفعلي.
وتضمنت هذه الرسالة اقترح نظامًا ذكيًا يستخدم للتعلم العميق والحوسبة الطرفية حيث يمكن إجراء عملية تحليل ومعالجة البيانات بالقرب من موقع توليد البيانات على حافة الشبكة لتقليل عبء البيانات والاتصالات. يتم نقل بيانات أقل مما يتم جمعه بواسطة أجهزة إنترنت الأشياء لأن الحافة تقوم بالمعالجة المسبقة وعمل التصفية قبل نقلها إلى السحابة.
تم تقسيم العمل إلى ثلاث مراحل: المرحلة الأولى هي بناء هيكل السيارة وتضمين Raspberry Pi 4 كعقل السيارة والخادم الطرفي لإكمال عملية تحليل البيانات تم استخدام الكاميرا لجمع الصور وتكوين مجموعة البيانات .
والمرحلة الثانية وهي مرحلة بناء المسار للسيارة والبدء بعملية البرمجة الخطوة الأولى هي إعداد Raspberry Pi للعمل عن طريق تنزيل نظام التشغيل الخاص به وتنزيل المكتبات اللازمة ثم تمت عملية تجميع مجموعة البيانات من خلال قيادة السيارة على المسار وجمع الصور باستخدام الكاميرا ، ثم تمت معالجة الصور باستخدام عدة تقنيات لمعالجة الصور وتحديد زاوية الاستدارة على المسار، بما في ذلك العتبات والممرات الالتفافية والرسم البياني، تم استخدام CNN لتدريب السيارة على إكمال عملية القيادة الذاتية. حيث تم استخدام تقنيات مثل زيادة البيانات، والمعالجة المسبقة بعد ذلك تم استخدام Tensor Flow لبناء شبكة CNN تم تدريب النظام لمدة 10 حقب للحصول على قيمة دقة تصل إلى 0.955 في العهود الأخيرة وقيمة خسارة تصل إلى 0.015.
في المرحلة الأخيرة، تم استخدام التعلم الموحد لعملية توزيع البيانات بين الخادم السحابي والخادم الطرفي عن طريق خوازمية FedAvg ، وتم استخدام مكتبة Keras بالاشتراك مع Python وTensorFlow. تعمل فترات النموذج عند 100 و 200 حقبة حيث تزيد الدقة حتى 0.99 وتقل الخسارة بـالحقبة 200 ، تم تنفيذ هذا السيناريو في المتوسط في 2.51 ثانية خلال عشر عمليات تنفيذ.
وتألفت لجنة المناقشة من :
أ.م.د.علي عبد الاله نوري من الجامعة التقنية الوسطى الكلية التقنية الهندسية الكهربائية رئيساً وأ.م.د.بشرى كاظم عليوي من الجامعة التكنولوجية قسم هندسة السيطرة والنظم عضواً وم.د.أحمد موسى دينار من الجامعة التكنولوجية قسم هندسة الحاسوب عضواً وأ.م.د.أيمن داود سلمان من الجامعة التكنولوجية قسم هندسة الحاسوب عضواً ومشرفاً.

منح قسم هندسة الحاسوب في الجامعة التكنولوجية شهادة الدكتوراه للطالب عمر نوفل محمد طاهر عن أطروحته الموسومة:
FPGA based Heterogeneous Architecture for Multimedia Applications
بنية غير متجانسة قائمة على FPGA لتطبيقات الوسائط المتعددة

الهدف من هذه الأطروحة تصميم معالج يعتمد على بنية غير متجانسة توفر سرعة معقولة مقارنة بوحدة معالجة الرسومات. المعالج مخصص لتنفيذ ايعازات معالجة الصور المخصصة مع الايعازات الاعتيادية.
تضمنت هذه الاطروحة أقترح ثلاثة نماذج عالية السرعة ومنخفضة الطاقة وذات تكلفة معقولة، CMIPS_32، M-CMIPS_32، وDH-M-CMIPS_32، مصممة بناءً على بنية MIPS_32.
النموذج الأول يهدف إلى تطوير بنية MIPS_32 الحالية، وهو ما أُطلق عليه اسم Customized MIPS_32 (CMIPS_32) .
يمتاز نموذج CMIPS_32 بقدرته على تنفيذ الإيعازات القياسية والإيعازات المُخصصة لمعالجة الصور، مما يُسهم في تحسين الإنتاجية. يُحقق ذلك عبر دمج مجموعة من الإيعازات القياسية، التي تعمل بشكل متناغم لإنجاز مهمة محددة في معالجة الصور، مثل تحسين السطوع، في إيعاز مُتخصص واحد. أُجريت أيضاً تعديلات على مراحل خط الأنابيب (pipeline) في هذا النموذج، حيث تتراوح ما بين خمسة وستة مراحل، بناءً على التعقيد الحسابي للمهمة، بهدف تقليل عدد دورات الساعة (clock cycle) واستهلاك الطاقة.
النموذج الثاني المُقترح يُعرف باسم "M-CMIPS_32"، وهو نموذج متعدد الجذور مُبني بناءً على النموذج الأول "CMIPS_32". يُعزز هذا النموذج قدرات تنفيذ إيعازات معالجة الصور ويُحسن من أداء "CMIPS_32" عبر دعمه لمجموعة واسعة من grey scale وcolor rate بالاستعانة بمبادئ الجذور المرنة (Radixes). في هذا النموذج، تمت إعادة هيكلة وحدة الحساب والمنطق (ALU) لزيادة الدقة الحسابية وللتعامل مع جذور متعددة. تتألف وحدة الحساب والمنطق المكونة من 32 بت في "M-CMIPS_32" من وحدتين أساسيتين L_Unit وM_Unit. تركز L_Unit على العمليات الخطية وتُقسم إلى أربعة أقسام، كل قسم يتألف من 10 بت، وتُستخدم فيها وحدة Carry lookahead (CLU) لإجراء حساب مُسبق فعال لقيم النقل (carry). بالمقابل، تحتوي الوحدة M على بنية جديدة تُركز على استخدام خوارزمية الرياضيات الفيدية (Vedic Math) لإنجاز عمليات الضرب بسرعة عالية.
النموذج الثالث المُقترح، والذي يُدعى "DH-M-CMIPS_32"، وهو نموذج ثنائي النواة مُبني على أساس النموذج "M-CMIPS_32". ما يميز هذا النموذج هو قدرته على تنفيذ الإيعازات القياسية بالتزامن مع إيعازات معالجة الصور. يهدف النموذج إلى تعزيز التوازي على مستوى الإيعازات (ILP)، من خلال التداخل المستمر بين تنفيذ الإيعازات العامة وتلك المُخصصة لمعالجة الصور. من الجانب الهيكلي، يحتوي "DH-M-CMIPS_32" على عدة مكونات، بما في ذلك ذاكرة الإيعازات، وحدة التحكم، وملف التسجيل، وكذلك مساري للبيانات: مسار خاص بالإيعازات القياسية ومسار آخر مُخصص لإيعازات معالجة الصور. تم تصميم هذه المسارات بهدف تحقيق التنفيذ المتوازي للإيعازات المختلفة.
تمت محاكاة وتنفيذ النماذج المقترحة باستعمال لوحة تطوير ZedBoard مُجهزة بمعالج FPGA من نوع XC7Z020CLG484-1، بالإضافة إلى استخدام برنامج MATLAB. عند المقارنة بين النماذج الثلاثة من حيث استهلاك الموارد والطاقة، تبين أن نموذج DH-M-CMIPS_32 هو الأكثر فعالية واقتصادًا في استخدام الموارد، إذ يستهلك موارد أقل بـ 1.13% مقارنةً بـ CMIPS_32، و 18.46% مقارنةً بـ M-CMIPS_32. أيضاً، يُظهر هذا النموذج فعالية أعلى في استهلاك الطاقة، إذ يستهلك بنسبة أقل بـ 2.5% مقارنةً بـ CMIPS_32 و11.5% مقارنةً بـ M-CMIPS_32.

وتألفت لجنة المناقشة من:
أ.د. نادية عدنان شلتاغ من جامعة بغداد كلية الهندسة رئيساً وأ.د. عبد الرحيم ذياب حمود من الجامعة التكنولوجية قسم الهندسة الكهربائية عضواً وأ.م.د.عباس حسين عيسى من الجامعة التكنولوجية قسم السيطرة والنظم عضواً وأ.م.د. ايفان عبد الزهرة هاشم من الجامعة التكنولوجية قسم الهندسة الكهربائية عضواً وأ.م.د. عباس عبد العزيز عبد الحميد من الجامعة المستنصرية كلية العلوم عضواً وأ.د. محمد نجم عبد الله من الجامعة التكنولوجية قسم هندسة الحاسوب عضواً ومشرفاً وأ.م.د. حسن اوحيد جياد عضواً ومشرفاً.

ناقش قسم هندسة الحاسوب في الجامعة التكنولوجية أطروحة دكتوراه للطالبة سما سلام سمعان عن أطروحتها الموسومة :
Utilizing Big data to Enhance Software-Defined Networking Performance Issues
تحسين أداء الشبكات المعرفة برمجياً باستخدام البيانات الكبيرة
الهدف من هذه الأطروحة استخدام تقنيات وأدوات البيانات الكبيرة (Big Data) في تحسين أداء الشبكات المعرفة برمجياً (SDN) من حيث السرعة في الأداء ومساعدة المسيطر في إدارة الشبكة.
هذه الأطروحة تقترح نهجين للربط بين البيانات الضخمة big data وشبكة SDN. يستخدم النهج الأول تحليلات البيانات الضخمة من منظور حوسبة الرسم البياني (graph analytics) لمساعدة إدارة حركة المرور في شبكات SDN. تكمن حداثة العمل المقترح في دمج الرسوم البيانية المعرفية (knowledge graph)
لنمذجة الشبكة وتتبع حركة مرور البيانات في شبكات SDN. تم اقتراح نظام Topology Modeling Traffic Acquisition (TMTA)، والذي يعالج ديناميكية الشبكة من خلال تتبع التغيرات الحاصلة فيها وإحصاء حركة مرور البيانات في الوقت الحقيقي حيث يكتسب النظام المقترح هذه المعلومات من وحدة التحكم في SDN ويتم معالجتها وتخزينها في قاعدة بيانات Neo4j. يتم تنفيذ هذا العمل على مرحلتين متتاليتين، مرحلة نمذجة الشبكة (Topology Modeling) ومرحلة الحصول على إحصاء حركة المرور (Traffic Acquisition). بالإضافة إلى ذلك، نقدم كيفية التعامل بفعالية مع الشبكات واسعة النطاق في العديد من مهام إدارة حركة المرور مثل التوجيه (Routing) ، وتوفير المسارات المتعددة (Multipath Provisioning)، والأمن، باستخدام العديد من خوارزميات الرسم البياني (graph algorithms). تم إجراء التجارب باستخدام شبكات ذات أحجام متعددة، تتراوح من 6301 إلى 62586 عقدة. تُظهر التقييمات فعالية النظام المقترح في تحسين قضايا متعددة في SDN، بما في ذلك الديناميكية وقابلية التوسع والأمن. عند تنفيذ خوارزمية Dijkstra Source-Target للبحث عن أقصر مسار بين عقدتين، يزداد وقت الاستجابة قليلاً بالتناسب مع حجم الشبكة. يتراوح وقت الاستجابة من 0.2 مللي ثانية إلى 0.84 مللي ثانية في شبكة 6301 وشبكة 62586 على التوالي.
أما عن النهج الثاني ، فقد استُخدم Spark كأداة لمعالجة البيانات الضخمة لبناء خطوط أنابيب التعلم الآلي المتقدمة (Machine Learning Pipelines). تعتبر خطوط الأنابيب المبتكرة هذه محورية في سير عمل التعلم الآلي الشامل الذي تم تصميمه لمراقبة شبكات SDN من زوايا متنوعة، بما في ذلك تصنيف البيانات الى بيانات طبيعية وبيانات DDoS وكذلك تصميم نموذج لتصنيف حركة مرور البيانات حسب التطبيقات. يعمل نموذج اكتشاف DDoS كمصنف ثنائي، حيث يصنف حركة المرور بكفاءة إلى «طبيعي» أو «DDoS». علاوة على ذلك، يعمل نموذج تصنيف حركة مرور البيانات كمصنف متعدد، حيث يقوم بتخصيص حركة المرور لواحد من 75 تطبيقًا متميزًا. تم استخدام ثلاثة سيناريوهات منفصلة من أجل التحليل المقارن: مجموعة تتكون من الة واحدة (micro cluster)، ومجموعة من عقدتين (two node cluster) ، ومجموعة من ثماني عقدات (eight node cluster). من بين هذه التكوينات، تظهر المجموعة المكونة من ثماني عقدات أداءً متفوقًا من حيث وقت تنفيذ خط الأنابيب. ترجع هذه الميزة إلى قدرة Spark على توزيع مهام المعالجة بسلاسة عبر العقد دون تدخل صريح من قبل المستخدم.
وتألفت لجنة المناقشة من:
أ.د. محمود فرحان مصلح من الجامعة التقنية الوسطى كلية التقنية الهندسية الكهربائية رئيساً وأ.د.ميساء عبد علي خضر من الجامعة التنكولوجية قسم هندسة الحاسوب عضواً وأ.م.د. محمود زكي عبد الله من الجامعة المستنصرية عضواً وأ.م.د. علي جبار سالم من الجامعة التكنولوجية قسم هندسة الاتصالات عضواً وأ.م.د. علي مجيد محمود من الجامعة التكنولوجية قسم السيطرة والنظم عضواً وأ.م.د. حسن اوحيد جياد من الجامعة التكنولوجية قسم هندسة الحاسوب عضواً ومشرفاً.

ناقش قسم هندسة الحاسوب في الجامعة التكنولوجية رسالة ماجستير للطالب أحمد علي حسين عن رسالته الموسومة :
Enhancement of Messages Dissemination Connectivity in VANET Based on Delay Tolerant Network (DTN)
عن تحسين الاتصال لنشر الرسائل في شبكات ال VANET بالاستناد عل الشبكة المتسامحة مع التأخير (DTN)
الهدف من هذه الدراسة زيادة كفاءة النقل والسلامة على الطرقات حيث يمكن لنتائج الطريقة المقترحة مستقبلاً أن تستخدم لإنشاء أنواع كفوءة من الشبكات في أنظمة النقل الذكية المبنية على VANET.

تضمنت هذه الدراسة المقترحة إنشاء منهجية جديدة هي (DTN) والتي تعتمد على نوع من الشبكات تحتمل التأخير في نقل الرسائل؛ بالعادة ويمكن أن يواجه تبادل الرسائل بين المركبات تحديات بسبب ظروف الاتصال المختلفة (على سبيل المثال التداخل). تم تطبيق الطريقة المقترحة على الاتصالات في ال VANET بنوعيها بين المركبات وبين المركبات والوحدات على جانب الطريق (RSU).
تم استخدام رسالة التحكم في الفيضان الجشع ( (Greedy حيث يؤدي تنفيذ هذه الخوارزمية إلى تحسين كفاءة البيئة الحالية بشكل كبير وستستخدم الطريقة المقترحة أيضا إعادة التوجيه المحيطي(Perimeter) لتسليم الحزم إلى الوجهة في حالة فشل إعادة التوجيه الجشع. وكذلك تم استخدام DTN لخزن وتمرير الرسائل عند فشل إعادة توجيه المحيط.
وأظهرت نتائج الطريقة المقترحة أنه بالمقارنة مع بروتوكولات التوجيه GPSR) وEpidemic وGAACO)
قد عملت على تحسين نسبة تسليم الرسائل بين المركبات وبالتالي حسنت الاتصال وكذلك قللت وقت التأخير.
وتألفت لجنة المناقشة من:
أ.د. ضياء جاسم كاظم من جامعة بغداد كلية الهندسة رئيساً وأ.م.د. أحمد حميد رجه من الجامعة التكنولوجية قسم الهندسة الكهروميكانيكية عضواً وم.د. بسام محمد سعيد من الجامعة التكنولوجية قسم هندسة الحاسوب عضواً. وم.د. ضاري علي محمود من الجامعة التكنولوجية قسم هندسة الحاسوب عضواً ومشرفاً.

بناءاً على ما ورد في المؤتمر الأول للمجلس الاستشاري الصناعي في الجامعات العراقية والذي تم انعقاده يوم الأربعاء المصادف 1-11-2023 في جامعة كلكامش برعاية معالي وزير التعليم العالي والبحث العلمي المحترم وإشراف السيد الوكيل العلمي لوزير التعليم العالي المحترم وبالاشتراك مع الكثير من الجهات الحكومية والبرلمانية التشريعية لتحقيق شعار "تعليم عالي متطور يلبي احتياجات سوق العمل".
وللشروع في تفعيل وتحقيق التوجيهات والمخرجات التي وردت في هذا المؤتمر الرائد والتي تم توثيقها بواسطة الحاضرين من أعضاء المجلس الاستشاري الصناعي لقسم هندسة الحاسوب ممثلين بالسيد رئيس قسم هندسة الحاسوب أ. م. د. حسن جليل حسن، ورئيس فرع هندسة الشبكات م. د. أمير موسى ثويني، ومدير شركة الجدار الناري للأمن السبراني المهندس عمار الحسني.
تم عقد جلسة للمجلس الاستشاري الصناعي لقسم هندسة الحاسوب بتاريخ 2-11-2023 لمناقشة السبل الكفيلة بتحقيق ما ورد أعلاه وتم إيجاز الاجتماع بالمخرجات التالية:
أولاً) العمل على مبادرة بعنوان "Zero- to- Hero"
هذه المبادرة عبارة عن مشرع جمع وتنمية واستثمار الطاقات والأفكار الطلابية لقسم هندسة الحاسوب ضمن هذا الاختصاص. وستبدأ المبادرة بتحقيق ورشة عمل تقدم ما يلي:
1- تعريف بالمبادرة.
2- الأهداف.
3- مراحل وتفاصيل المبادرة.
4- الاختصاصات أو المجالات المطلوبة.
5- آلية الاشتراك.
6- المخرجات.
7- طرق التقييم.
8- العائدات والمكتسبات من المبادرة.
ثانياً) السعي لإنشاء أول حاضنة تكنولوجية في قسم هندسة الحاسوب- الجامعة التكنولوجية لشركة الجدار الناري للأمن السبراني والتي ستوفر الخدمات التالية:
1- تشجيع الطلاب على الإبداع والابتكار حيث يوفر المركز للطلاب فرصة للتعبير عن أفكارهم وتطوير مشاريعهم الخاصة.
2- توفير تدريب عملي وتدريب صيفي للطلاب.
3- تزويد الطلاب بالمهارات اللازمة لبدء الأعمال التجارية.
4- توفير الدعم للطلاب الذين يرغبون في بدء أعمالهم التجارية.
5- يعزز سمعة الجامعة ويجذب الطلاب المهتمين بالتعلم اللازم لسوق العمل.