دور الذكاء الاصطناعي في تعزيز الأمن السيبراني (التحديات والآليات والآفاق المستقبلية)
الكلمات المفتاحية:
الذكاء الاصطناعي، الأمن السيبراني، التعلم العميق، الذكاء الاصطناعي القابل للتفسير (XAI)، هجمات اليوم الصفر.الملخص
تستعرض هذه الدراسة الدور المحوري للذكاء الاصطناعي (AI) في تعزيز منظومة الأمن السيبراني؛ لمواجهة التهديدات الرقمية المتطورة لعام 2025 وما بعده. تكمن المشكلة البحثية في عجز الأنظمة الدفاعية التقليدية عن رصد الهجمات الديناميكية، مثل برمجيات الفدية (Ransomware) وهجمات "اليوم الصفر" (Zero-Day Attacks). تتبع الورقة منهجية التحليل التقني المقارن بين خوارزميات التعلم الآلي (Machine Learning) والأنظمة القائمة على قواعد أمنية مبرمجة مسبقاً وثابتة. تشير النتائج إلى أن دمج تقنيات التعلم العميق (Deep Learning) يسهم في تقليل زمن الاستجابة للحوادث بنسبة تتجاوز 60%، إلى جانب تحسين دقة الكشف الاستباقي عن الأنماط السلوكية الشاذة (IBM Security, 2024) وتخلص الدراسة إلى أهمية تبني نماذج الذكاء الاصطناعي القابل للتفسير (XAI)؛ لِما لها من دور في الحد من إشكالية "الصندوق الأسود"، وضمان موثوقية القرارات الأمنية وشفافيتها.
التنزيلات
المراجع
1. الجندي، محمد عبد الله. (2020). دور الذكاء الاصطناعي في تعزيز الأمن السيبراني: الفرص والتحديات. مجلة الدراسات الأمنية، 12(2)، 45–67.
2. الغامدي، أحمد بن سعيد. (2021). التحديات الأمنية لتقنيات الذكاء الاصطناعي في البيئات السيبرانية الحديثة. المجلة العربية لأمن المعلومات، 8(1)، 23–40.
3. بن عيسى، خالد محمد. (2023). تطبيقات الذكاء الاصطناعي في حماية المعاملات الإلكترونية والبيانات الرقمية. مجلة الاقتصاد الرقمي، 5(3)، 77–95.
4. عبد الرحمن، علي حسن. (2024). أثر الذكاء الاصطناعي في تطور استراتيجيات الحروب السيبرانية. مجلة العلوم الاستراتيجية، 10(1)، 101–120.
المراجع الأجنبية
5. Bertalanffy, L. von. (1968). General system theory: Foundations, development, applications. George Braziller.
6. Buczak, A. L., & Guven, E. (2016). A survey of data mining and machine learning methods for cybersecurity intrusion detection IEEE Communications Surveys & Tutorials, 18(2), 1153–1176. https://doi.org/10.1109/COMST.2015.2494502
7. Capgemini Research Institute. (2023). Cybersecurity with AI: Unlocking next-generation defense.
8. Cybersecurity Ventures. (2023). Cybercrime damages will cost the world $10.5 trillion annually by 2025.
9. Gartner. (2024). Market guide for extended detection and response (XDR).
10. Gunning, D., Stefik, M., Choi, J., Miller, T., Stumpf, S., & Yang, G. Z. (2019). XAI—Explainable artificial intelligence. Science Robotics, 4(37). https://doi.org/10.1126/scirobotics.aay7120
11. IBM Security. (2024). Cost of a data breach report 2024.
12. Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260. https://doi.org/10.1126/science.aaa8415
13. Kshetri, N. (2023). Cybersecurity management: An organizational and strategic approach. University of Toronto Press.
14. Laszka, A. (2016). Game theory in cybersecurity. IEEE Security & Privacy, 14(5), 74–77.
15. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
16. NIST. (2018). Framework for improving critical infrastructure cybersecurity (Version 1.1). National Institute of Standards and Technology.
17. Osborne, M. J. (2004). An introduction to game theory. Oxford University Press.
18. Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
19. Sarker, I. H. (2021). Cyber learning: Effectiveness of machine learning for cybersecurity. Journal of Big Data, 8(1), 1–27. https://doi.org/10.1186/s40537-021-00416-5
20. Stallings, W. (2017). Effective cybersecurity: A guide to using best practices and standards. Addison-Wesley.
