Privacy Protection in an E-Learning System

Abstract

Abstract The rapid growth of e-learning systems has considerably changed the education field introducing more access to knowledge and flexibility to learners all over the world. Nevertheless, such a change has also brought up new challenges in the area of cybersecurity, such as protecting sensitive information; safeguarding academic character; controlling cybersecurity threats. This thesis examines four novel approaches to identifying and countering various cyberattacks on e-learning systems that can improve cybersecurity in the context of e- learning environments. First is the CNN-OOA that uses Convolutional Neural Networks (CNN) in collaboration with the Orca Optimization Algorithm (OOA) to extract phishing attacks to protect the personal information and login ideas of the users. Second, the LSTM-SWAP model smartly applies the Long Short-Term Memory (LSTM) networks to examine the student behavior during online exams and detect the patterns that characterize cheating or fraudulent behavior. Third, the CNN-GWO architecture combines CNN with the Grey Wolf Optimizer (GWO) achieving the successful identification of network threats e.g. SQL injections and malware. Lastly, the CNN-CAT model integrates CNN with the Cross Attention Transformer (CAT) to enhance the detection of device anomalies in IoT environments. By using attention mechanisms, increases the sensitivity of the model to strange behaviors, making sure to keep the data of learners on IoT-enabled systems confidential and safe. These models can solve phishing, cheating, and intrusion, thereby offering a comprehensive security solution, which encourages a safer, more resilient, e-learning experience. These contributions are assessed in terms of large-scale evaluation in the actual use of applicable e-learning datasets, and they prove effective in identifying and addressing various cyber threats. The thesis points to the necessity of preprocessing and feature engineering in e-learning settings and outlines possible future directions in research, including using sophisticated machine learning methods and AI to augment the e-learning systems in regard to improved security and privacy. الملخص لقد أدى النمو السريع ألنظمة التعلم اإللكتروني إلى تغيير مجال التعليم بشكل كبير مما أدى إلى زيادة فرص الوصول إلى المعرفة والمرونة للمتعلمين في جميع أنحاء العالم. ومع ذلك، فقد أثار هذا التغيير أيضًا تحديات جديدة في مجال األمن السيبراني، مثل حماية المعلومات الحساسة، وحماية الطابع األكاديمي، والسيطرة على تهديدات األمن السيبراني.في هذه األطروحة، سيتم تناول أربع أفكار جديدة لتحديد ومواجهة العديد من الهجمات اإللكترونية على أنظمة التعلم اإللكتروني من شأنها تحسين األمن السيبراني في سياق بيئات التعلم اإللكتروني. األول هوCNN-OOAالذي يستخدم الشبكات العصبية التالفيفية (CNN) بالتعاون مع خوارزميةتحسينأوركا(OOA) الستخراج هجمات التصيد االحتيالي لحماية المعلومات الشخصية وأفكار تسجيل الدخول للمستخدمين. ثانيًا، يطبق نموذجLSTM-SWAPبذكاء شبكات الذاكرة الطويلة والقصيرة المدى (LSTM) لفحص سلوك الطالب أثناء االمتحانات عبر اإلنترنت واكتشاف األنماط التي تميز سلوك الغش/االحتيال. ثالثا، تجمع بنيةCNN-GWOبينCNNوGray Wolf Optimizer (GWO)لتحقيق التحديد الناجح لتهديدات الشبكة على سبيل المثال حقنSQLوالبرامج الضارة. وأخيرًا، يدمج نموذجCNN-CATالشبكات العصبية التالفيفية (CNN) مع محول االنتباه المتقاطع (CAT) لتعزيز اكتشاف الحاالت الشاذة في األجهزة في بيئات إنترنت األشياء. من خالل استخدام آليات االنتباه، يتم زيادة حساسية النموذج للسلوكيا.يمكن لهذه النماذج حل مشاكل التصيد االحتيالي والغش واالختراق، وبالتالي تقديم حل أمني شامل، مما يشجع على تجربة التعلم اإللكتروني األكثر أمانًا ومرونة.ويتم تقييم هذه المساهمات من حيث التقييم واسع النطاق في االستخدام الفعلي لمجموعات بيانات التعلم اإللكتروني القابلة للتطبيق، وتثبت فعاليتها في تحديد التهديدات السيبرانية المختلفة ومعالجتها. تشير األطروحة إلى ضرورة المعالجة المسبقة وهندسة الميزات في إعداداتالتعلم اإللكتروني وتحدد االتجاهات المستقبلية المحتملة في البحث، بما في ذلك استخدام أساليب التعلم اآللي المتطورة والذكاء االصطناعيلتعزيز أنظمة التعلم.