El reciente aumento de material extremista en las plataformas de redes sociales dificulta seriamente las contramedidas a los esfuerzos de ciberseguridad internacional y seguridad nacional. RADAR#, un enfoque de conjunto profundo para la detección de radicalización en tweets en árabe, se presenta en este documento. Nuestro modelo combina un marco híbrido CNN-Bi-LSTM con un modelo transformador árabe de vanguardia (AraBERT) a través de una estrategia de conjunto ponderada. Empleamos técnicas de preprocesamiento de tweets en árabe específicas del dominio y una capa de atención personalizada para centrarnos mejor en los indicadores de radicalización. Los experimentos sobre un conjunto de datos de 89,816 tweets en árabe indican que RADAR# alcanza una precisión del 98% y un F1-score del 97%, superando enfoques avanzados. La estrategia de conjunto es particularmente beneficiosa para manejar variaciones dialectales y palabras sensibles al contexto comunes en las actualizaciones de redes sociales en árabe. Proporcionamos un análisis completo del rendimiento del modelo, incluidos estudios de ablación y visualización de atención para una mejor interpretabilidad. Nuestra contribución es útil para la comunidad de ciberseguridad a través de un mecanismo efectivo de detección temprana de la radicalización en línea en contenido en árabe, que puede aplicarse potencialmente en la lucha contra el terrorismo y la moderación de contenido en línea.