يعمل الدكتور ساتيش أبيمانان كأستاذ مساعد في كلية الحوسبة بالجامعة الأوروبية في البحرين، ويختص في مجالات أمن المعلومات، تعلم الآلة، التعلم العميق، الحوسبة السحابية، وتحليلات البيانات الضخمة.

حصل الدكتور ساتيش على درجة الدكتوراه في علوم وهندسة الحاسوب، كما أكمل زمالة ما بعد الدكتوراه في مركز أبحاث البيانات الضخمة والمدن الذكية بجامعة تايبيه الوطنية، تايوان.

شغل خلال مسيرته الأكاديمية مناصب قيادية بارزة، منها أستاذ ونائب مدير في جامعة أميتي – مومباي، وأستاذ ومدير في جامعة سيمبيوسيس للمهارات والمهن – بيون. يجمع الدكتور ساتيش بين الخبرة الأكاديمية والبحثية، ويعد من المختصين المتميزين في مجال التقنيات الرقمية المتقدمة.

طوال مسيرته، قدّم الدكتور ساتيش إسهامات ملموسة في تطوير المناهج وأساليب التدريس وتعزيز تفاعل الطلبة. وخلال عمله كأستاذ مساعد في الجامعة الأوروبية وأستاذ ونائب مدير في جامعة أميتي – مومباي، عمل على تصميم البرامج الأكاديمية وتحديث طرق التدريس وتكامل التقنيات الناشئة مثل تحليلات البيانات الضخمة وتعلم الآلة في التجربة التعليمية، بهدف تمكين الطلبة بمهارات تتماشى مع متطلبات السوق.

يعتمد في تدريسه على خبرته البحثية الغنية، موفّرًا للطلبة خبرات عملية وتطبيقات واقعية، وقد أشرف على مشاريع طلابية متعددة التخصصات، حظيت بعضُها بالاعتراف في مؤتمرات أكاديمية مرموقة. كما ساهم في مبادرات أكاديمية على الصعيدين الوطني والدولي، بما في ذلك تنظيم مؤتمرات مثل المؤتمر الدولي للتطورات الحديثة في تقنيات الحوسبة (IC-RACT 2022)، وعمل كمحرر ضيف في مجلات علمية محكّمة، مما يعكس التزامه بالتميّز الأكاديمي ودعم نجاح الطلبة.

الأدوار الإدارية والقيادية في التعلم والتعليم

• 2023 – حتى الآن: أستاذ مساعد، الجامعة الأوروبية في البحرين، كلية الحوسبة
• 2021 – 2024: أستاذ ونائب مدير، جامعة أميتي في مومباي
• 2020 – 2021: أستاذ ومدير، كلية علوم البيانات، جامعة تكافل للمهارات والمهارات المهنية
• 2016 – 2019: أستاذ مشارك، كلية علوم وهندسة الحاسب الآلي (SCOPE)، جامعة في آي تي
• 2007 – 2016: أستاذ مساعد (درجة أولى) ورئيس قسم، جامعة بيريار مانياماي

للمزيد من المعلومات حول الخلفية المهنية للدكتور ساتيش، يمكنك زيارة ملفه الشخصي على الباحث العلمي من جوجل، وبوابة الأبحاث، و ORCID، و Scopus.

يتركز البحث الحالي للدكتور ساتيش على مجالات أمن المعلومات، تعلم الآلة، التعلم العميق، الحوسبة السحابية، وتحليلات البيانات الضخمة، مع اهتمام خاص بدمج هذه المجالات لمعالجة التحديات الناشئة في الأمن السيبراني، مراقبة جودة الهواء والماء، والأنظمة الذكية المعتمدة على إنترنت الأشياء.
يهدف عمله إلى تطوير منهجيات مبتكرة لاتخاذ قرارات مدعومة بالبيانات، مع تركيز على النمذجة الزمانية والمكانية، الذكاء الطرفي (Edge Intelligence)، وأطر الحوسبة الآمنة.

وقد أثبت كفاءته في الحصول على تمويل بحثي والتعاون مع مؤسسات دولية مرموقة، مما مكّنه من تعزيز البحث في مجالات متنوعة مثل تحليل البرمجيات الخبيثة، التعلم الفيدرالي، ونماذج تداول الطاقة المعتمدة على تقنية البلوك تشين.
تشمل مشاريعه الحالية تطبيقات متقدمة للذكاء الاصطناعي وتعلم الآلة في أمن شبكات الجيل الخامس وتوقّع التلوث البيئي، مما يعكس حرصه على توظيف أحدث التقنيات في مواجهة القضايا المجتمعية والبيئية المعاصرة.

المنشورات

• Chang, Y.-S., Huang, S.-T., Haobijam, B., Abimannan, S. and Kushida, T. (2025) ‘Marine ecological information prediction by using adjacent location spatiotemporal deep learning model with ensemble learning techniques’, Ecological Informatics, 85. https://doi.org/10.1016/j.ecoinf.2024.102964
• Chung, K.-H., Chang, Y.-S., Yen, W.-T., Lin, L. and Abimannan, S. (2024) ‘Depression assessment using integrated multi-featured EEG bands deep neural network models: Leveraging ensemble learning techniques’, Computational and Structural Biotechnology Journal, 23, pp. 1450–1468. https://www.csbj.org/article/S2001-0370(24)00075-8/fulltext
• Satheesh Abimannanan، El-Alfy E-SM، Hussain S، Chang Y-S، Shukla S، Dhivyadharsini Satheesh D، Breslin JG. نحو التعلم الاتحادي والحوسبة الحافة متعددة الوصول لمراقبة جودة الهواء: مراجعة الأدبيات والتقييم. الاستدامة. 2023؛ 15 (18):13951. https://doi.org/10.3390/su151813951 (sci, if-3.9)
• ساتيش أبيمانان، إ. -S. El-Alfy، Y. -S. Chang و S. Hussain و S. Shukla و Dhivyadharsini Satheesh، “نماذج وتطبيقات التعلم العميق متعدد السمات في مجموعة متعددة السمات: دراسة استقصائية”، في IEEE Access، المجلد 11، ص 107194-107217، 2023، doi: 10.1109/ACCESS.2023.3320042. (SCI, IF-3.9)
• Saurabh Shukla, Shahid Hussain, Satheesh Abimannanan, Shahid Husain, Syed Muslim Jameel,تحليل الشبكة في نموذج تداول الطاقة من نظير إلى نظير باستخدام البلوك تشين والتعلم الآلي، معايير الكمبيوتر والواجهات البينية، 88,2024,103799، https://doi.org/10.1016/j.csi.2023.103799. (SCI, IF- 5.0)
• Hussain, S., Irshad, R.R., Pallonetto, F., Abimannan, S. and Shukla, S. (2023) ‘Hybrid coordination scheme based on fuzzy inference mechanism for residential charging of electric vehicles’, Applied Energy, 352, 121939. https://doi.org/10.1016/j.apenergy.2023.121939
• Wu, H.-C., Chang, Y.-S., Chang, Y.-H. and Abimannan, S. (2021) ‘The process and platform for predicting PM2.5 inhalation and retention during exercise’, Processes, 9(11). https://doi.org/10.3390/pr9112026
• Bose, A., Hsu, C.-H., Roy, S.S., Lee, K.C., Mohammadi-Ivatloo, B. and Abimannan, S. (2021) ‘Forecasting stock price by hybrid model of cascading multivariate adaptive regression splines and deep neural network’, Computers & Electrical Engineering, 95, 107405. https://doi.org/10.1016/j.compeleceng.2021.107405
• Lin, C.-Y., Chang, Y.-S. and Abimannan, S. (2021) ‘Ensemble multi-features deep learning models for air quality forecasting’, Atmospheric Pollution Research, 12(5), pp. 1–16. https://www.sciencedirect.com/science/article/abs/pii/S1309104221001057
• Chang, Y.-S., Abimannan, S., Chiao, H.-T. and Lin, C.-Y. (2020) ‘An ensemble learning based hybrid model and framework for air pollution forecasting’, Environmental Science and Pollution Research. https://link.springer.com/article/10.1007/s11356-020-09855-1
• Chang, Y.-S., Chiao, H.-T., Abimannan, S., Huang, Y.-P., Tsai, Y.-T. and Lin, K.-M. (2020) ‘An LSTM-based aggregated air pollution forecasting model’, Atmospheric Pollution Research, 11(8), pp. 1451–1463. https://doi.org/10.1016/j.apr.2020.05.015
• Hwang, R.-H., Peng, M.-C., Wu, C.-Y. and Abimannan, S. (2020) ‘A novel RPL-based multicast routing mechanism for wireless sensor networks’, International Journal of Ad Hoc and Ubiquitous Computing, 33(2), pp. 122–131. https://www.inderscience.com/info/inarticle.php?artid=105474
• Abimannan, S. and Kumaravelu, R. (2019) ‘A mathematical model of HMST model on malware static analysis’, International Journal of Information Security and Privacy, 13(2), pp. 86–103. https://ideas.repec.org/a/igg/jisp00/v13y2019i2p86-103.html
• Satheesh, A., Ramadoss, R., Elango, N.M. and Hsu, C.-H. (2017) ‘EMAPM: Enterprise modernization autonomic predictive model in hybrid cloud environments’, in Proceedings of the 2017 IEEE 7th International Symposium on Cloud and Service Computing, Kanazawa, Japan, 22–25 November. IEEE Press, pp. 56–62. https://www.igi-global.com/article/a-mathematical-model-of-hmst-model-on-malware-static-analysis/226951
• Ramadoss, R., Elango, N.M., Satheesh, A. and Hsu, C.-H. (2018) ‘Non-intrusive transaction aware filtering during enterprise application modernization’, Journal of Supercomputing, 74(3), pp. 1157–1181. https://link.springer.com/article/10.1007/s11227-017-2123-6
• Ramadoss, R., Elango, N.M., Satheesh, A. and Hsu, C.-H. (2018) ‘PSPO: A framework for cost effective service placement optimization during enterprise modernization on hybrid clouds’, International Journal of Web and Grid Services, 14(2), pp. 170–199. https://www.inderscience.com/info/inarticle.php?artid=90740
• Satheesh, A., Kumar, D., Dharmalingam, P. and Lakshmipriya, T.K.S. (2017) ‘Dynamically reconfigurable queue for Intel IXP2400 network processor’, Journal of Internet Technology, 18(1), pp. 95–101. https://jit.ndhu.edu.tw/article/view/1440
• Krishnaveni, S., Satheesh, A. and Kannan, E. (2015) ‘Review of big data on student information for finding the uncertainty in higher education enrollment’, International Journal of Grid and High Performance Computing, 7(4), pp. 21–32. https://www.igi-global.com/article/review-of-big-data-on-student-information-for-finding-the-uncertainty-in-higher-education-enrollment/141354
• Kaushal, M. and Abimannan, S. (2018) ‘Automated slicing scheme for test case prioritization in regression testing’, International Journal of Engineering & Technology, 7(4.17), pp. 5266–5271. https://www.sciencepubco.com/index.php/ijet/article/view/28037
• Assudani, P.J. and Abimannan, S. (2018) ‘Cost efficient resource scheduling in cloud computing: A survey’, International Journal of Engineering & Technology, 7(4.17), pp. 38–43. https://www.sciencepubco.com/index.php/ijet/article/view/21799
• Assudani, P.J. and Abimannan, S. (2018) ‘Power efficient and workload aware scheduling in cloud: A review’, International Journal of Engineering & Technology, 7(4.17), pp. 44–52. https://www.sciencepubco.com/index.php/ijet/article/view/21801
• Satheesh, A., Kumar, D. and Jayakumar, K. (2014) ‘Energy efficient dynamic adaptive self-configurable network processor’, Journal of Theoretical and Applied Information Technology, 63(2), pp. 477–485. http://www.jatit.org/volumes/Vol63No2/28Vol63No2.pdf
• Satheesh, A., Krishnaveni, S. and Ponkarthick, S. (2009) ‘Self-configurable environment for the Intel IXP2400 network processor’, International Journal of Computers and Network Applications, 31, pp. 268–273. https://www.tandfonline.com/doi/abs/10.1080/1206212X.2009.11441950
• Vyas, A. and Satheesh, A. (2018) ‘Implementing security features in MANET routing protocols’, International Journal of Computer Network and Information Security, 10(8), pp. 51–57. http://www.mecs-press.org/ijcnis/ijcnis-v10-n8/IJCNIS-V10-N8-6.pdf
• Kumaravelu, R., Satheesh, A., Poornima, S. and Murugesh, V. (2017) ‘Wireless sensor network storage with lightweight file system using update logic for cloud interface’, International Journal of Applied Engineering Research, 12(17), pp. 6323–6329. http://www.ripublication.com/ijaer17/ijaerv12n17_01.pdf
• Satheesh, A., Kumar, D. and Jeyakumar, A.V. (2010) ‘Run-time adaptive processor allocation of self-configurable Intel IXP 2400 network processor’, International Journal of Computer Networks, 10(4), pp. 16–33. https://www.cscjournals.org/manuscript/Journals/IJCN/Volume2/Issue1/IJCN-24.pdf
• Abimannan, S., El-Alfy, E.S.M., Shukla, S. and Dhivyadharsini (2024) ‘Spatiotemporal particulate matter pollution prediction using cloud-edge intelligence’, in Luo, B. et al. (eds.) Neural Information Processing. Communications in Computer and Information Science, vol. 1965. Singapore: Springer. https://doi.org/10.1007/978-981-99-8145-8_8
• Abimannan, S., A., J., Shukla, S. and Dhivyadharsini, S. (2023) ‘Federated learning for improved air pollution prediction: A combined LSTM-SVR approach’, in Proceedings of the 2023 IEEE 4th Annual Flagship India Council International Subsections Conference (INDISCON), Mysore, India, pp. 1–7. https://ieeexplore.ieee.org/document/10270612
• Chang, Y.-S., Abimananan, S., Shukla, S. and Dhivyadharsini, S. (2023) ‘Forecasting continuous air pollution with cloud-based big data platform using spatial-temporal visualization’, in Proceedings of the 2023 IEEE 8th International Conference for Convergence in Technology (I2CT), Lonavla, India, pp. 1–8. https://ieeexplore.ieee.org/document/10126153
• Jewani, K. and Abimannan, S. (2023) ‘Edge intelligence in IoT: Architecture and applications’, in Proceedings of the 8th International Conference on Communication and Electronics Systems (ICCES 2023), pp. 326–335. https://ieeexplore.ieee.org/document/10192608
• Thirunavukkarasu, K., Gupta, A., Abimannan, S. and Khan, S. (2021) ‘Intracranial hemorrhage detection using deep convolutional neural network’, in Saini, H.S. et al. (eds.) Innovations in Computer Science and Engineering. Lecture Notes in Networks and Systems, vol. 171. Singapore: Springer. https://link.springer.com/chapter/10.1007/978-981-33-4543-0_46
• Khan, S., Qader, M.R., Thirunavukkarasu, K. and Abimannan, S. (2020) ‘Analysis of business intelligence impact on organizational performance’, in Proceedings of the 2020 International Conference on Data Analytics for Business and Industry (ICDABI), Sakheer, Bahrain, pp. 1–4. https://ieeexplore.ieee.org/document/9325610
• Abimannan, S., Chang, Y.-S. and Lin, C.-Y. (2020) ‘Air pollution forecasting using LSTM-multivariate’, in Proceedings of the 2019 IEEE 9th International Symposium on Cloud and Service Computing, Kaohsiung, Taiwan. Lecture Notes in Computer Science, vol. 11894, pp. 318–326. https://link.springer.com/chapter/10.1007/978-3-030-38651-1_25
• Lin, C.-Y., Chang, Y.-S., Chiao, H.-T. and Abimannan, S. (2019) ‘Design a hybrid framework for air pollution forecasting’, in Proceedings of the IEEE International Conference on Systems, Man, and Cybernetics (SMC 2019), Bari, Italy, pp. 2472–2477. https://ieeexplore.ieee.org/document/8914257
• Vyas, A. and Abimannan, S. (2019) ‘Intrusion detection and prevention mechanism implemented using NS-2 based on state context and hierarchical trust in WSNs’, in Advances in Intelligent Systems and Computing, vol. 1122, pp. 229–240. Cham: Springer. https://doi.org/10.1007/978-3-030-39875-0_25
• Satheesh, A., Sujatha, D.C., Lakshmipriya, T.K.S. and Kumar, D. (2015) ‘Cloud based virtual agriculture marketing and information system (C-VAMIS)’, in Emerging ICT for Bridging the Future. Lecture Notes in Computer Science, vol. 337, pp. 549–556. https://link.springer.com/chapter/10.1007/978-3-319-13728-5_62
• Sujatha, D.C., Satheesh, A., Kumar, D. and Manjula, S. (2014) ‘Smart infrastructure at home using Internet of Things’, in ICT and Critical Infrastructure. Lecture Notes in Computer Science, vol. 249, pp. 627–634. https://link.springer.com/chapter/10.1007/978-3-319-03095-1_68
• Satheesh, A., Durai, K. and Krishnaveni, S. (2010) ‘Dynamic adaptive self-configurable network processor’, in Proceedings of the International Conference on Ubiquitous Intelligence and Computing (UIC 2010), Xi’an, China, 26–29 October, pp. 160–164. https://ieeexplore.ieee.org/document/5667209
• Velu, M. and Abimannan, S. (2022) ‘Computational approaches for detection and classification of crop diseases’, in Tomar, R. et al. (eds.) Innovative Trends in Computational Intelligence. Cham: Springer. https://doi.org/10.1007/978-3-030-78284-9_5
• Abimannan, S., Kochhar, D., Chang, Y.-S., Thirunavukkarasu, K. and Khan, S. (2022) ‘Evolution of long short-term memory (LSTM) in air pollution forecasting’, in Handbook of Research on Machine Learning: Foundations and Applications. 1st edn. Apple Academic Press. https://doi.org/10.1201/9781003277330
• Vyas, A. and Abimannan, S. (2021) ‘Sensitive healthcare data: Privacy and security issues and proposed solutions’, in Emerging Technologies for Healthcare, pp. 93–127. Scrivener Publishing. https://doi.org/10.1002/9781119792345.ch4
• John, A., Abimannan, S., El-Alfy, E.-S.M. and Chang, Y.-S. (2024) Spatiotemporal Data Analytics and Modeling: Techniques and Applications. Big Data Book Series. Springer. https://link.springer.com/book/10.1007/978-981-99-9651-3