Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ilmu Komputer & AI

Open AccessOA2025

Kecerdasan buatan dan machine learning dalam keamanan siber: telaah mendalam teknik mutakhir dan paradigma masa depan

Tinjauan ini menganalisis teknik AI dan ML mutakhir dalam keamanan siber, mencakup deteksi intrusi, klasifikasi malware, analisis perilaku, dan threat intelligence. Tinjauan ini menyoroti mekanisme pertahanan adversarial, federated learning untuk kolaborasi yang menjaga privasi, serta integrasi AI dengan komputasi kuantum dan keamanan IoT, dan mengusulkan peta jalan untuk penelitian mendatang.
Nachaat Mohamedยท Knowledge and Information Systemsยท 2025ยท DOI 10.1007/s10115-025-02429-y

Masalah inti

Integrasi kecerdasan buatan (AI) dan machine learning (ML) ke dalam keamanan siber telah mendorong pergeseran transformasional, secara signifikan meningkatkan kemampuan untuk mendeteksi, merespons, dan memitigasi ancaman siber yang kompleks. Mekanisme pertahanan tradisional semakin tidak memadai terhadap serangan canggih, sehingga adopsi solusi keamanan berbasis AI menjadi kebutuhan. Makalah tinjauan ini menyajikan analisis baru yang mendalam tentang teknik AI dan ML mutakhir yang diterapkan pada deteksi intrusi, klasifikasi malware, analisis perilaku, dan threat intelligence. Berbeda dari studi yang ada, karya ini tidak hanya menyintesis kemajuan terkini tetapi juga mengidentifikasi batasan utama dan celah penelitian yang muncul dalam keamanan siber berbasis AI. Kebaruan utama makalah ini terletak pada evaluasi komprehensif mekanisme pertahanan adversarial, yang membahas bagaimana model AI dapat diperkuat terhadap serangan adversarial dan teknik manipulasi data. Selain itu, kami mengeksplorasi peran federated learning yang terus berkembang dalam threat intelligence kolaboratif, menawarkan model keamanan yang menjaga privasi untuk meningkatkan pertahanan siber real-time di jaringan terdesentralisasi. Kontribusi utama lainnya adalah pembahasan kami tentang integrasi AI dengan komputasi kuantum untuk ketahanan kriptografi, serta konvergensinya dengan keamanan IoT, yang membentuk generasi berikutnya kerangka keamanan siber adaptif. Lebih lanjut, makalah ini mengusulkan peta jalan berwawasan ke depan untuk keamanan siber berbasis AI yang berkelanjutan, menekankan kebutuhan akan sistem pertahanan adversarial adaptif, federated learning untuk mitigasi ancaman global, dan kerangka ketahanan siber yang diperkuat AI. Dengan menjembatani kesenjangan antara solusi keamanan berbasis AI saat ini dan paradigma masa depan, karya ini menjadi sumber daya berharga bagi peneliti, profesional keamanan siber, dan pembuat kebijakan yang bertujuan mengembangkan arsitektur keamanan siber yang cerdas, skalabel, dan tangguh. Meskipun AI dan ML membentuk ulang keamanan siber modern, efektivitasnya bergantung pada inovasi berkelanjutan, ketahanan adversarial, dan kolaborasi interdisipliner untuk melawan lanskap ancaman yang terus berkembang.

Inovasi

Sebagai makalah tinjauan, metodologi melibatkan sintesis sistematis literatur yang ada tentang aplikasi AI dan ML dalam keamanan siber. Para penulis melakukan analisis mendalam terhadap teknik mutakhir di empat domain utama: deteksi intrusi, klasifikasi malware, analisis perilaku, dan threat intelligence. Tinjauan ini secara kritis mengevaluasi kemajuan terkini, mengidentifikasi batasan, dan menyoroti celah penelitian yang muncul. Evaluasi komprehensif terhadap mekanisme pertahanan adversarial dilakukan, dengan fokus pada bagaimana model AI dapat diperkuat terhadap serangan adversarial dan manipulasi data. Peran federated learning dalam threat intelligence kolaboratif dieksplorasi, dengan menekankan model keamanan yang menjaga privasi untuk jaringan terdesentralisasi. Selain itu, makalah ini membahas integrasi AI dengan komputasi kuantum untuk ketahanan kriptografi dan konvergensinya dengan keamanan IoT. Metodologi mencakup pengembangan peta jalan berwawasan ke depan untuk keamanan siber berbasis AI yang berkelanjutan, dengan menekankan sistem pertahanan adversarial adaptif, federated learning untuk mitigasi ancaman global, dan kerangka ketahanan siber yang diperkuat AI. Tinjauan ini menjembatani kesenjangan antara solusi keamanan berbasis AI saat ini dan paradigma masa depan, sehingga menjadi sumber daya berharga bagi peneliti, profesional, dan pembuat kebijakan.
Pendahuluan
Integrasi kecerdasan buatan (AI) dan machine learning (ML) ke dalam keamanan siber telah mendorong pergeseran transformasional, secara signifikan meningkatkan kemampuan untuk mendeteksi, merespons, dan memitigasi ancaman siber yang kompleks. Mekanisme pertahanan tradisional semakin tidak memadai terhadap serangan canggih, sehingga adopsi solusi keamanan berbasis AI menjadi kebutuhan. Makalah tinjauan ini menyajikan analisis baru yang mendalam tentang teknik AI dan ML mutakhir yang diterapkan pada deteksi intrusi, klasifikasi malware, analisis perilaku, dan threat intelligence. Berbeda dari studi yang ada, karya ini tidak hanya menyintesis kemajuan terkini tetapi juga mengidentifikasi batasan utama dan celah penelitian yang muncul dalam keamanan siber berbasis AI. Kebaruan utama makalah ini terletak pada evaluasi komprehensif mekanisme pertahanan adversarial, yang membahas bagaimana model AI dapat diperkuat terhadap serangan adversarial dan teknik manipulasi data. Selain itu, kami mengeksplorasi peran federated learning yang terus berkembang dalam threat intelligence kolaboratif, menawarkan model keamanan yang menjaga privasi untuk meningkatkan pertahanan siber real-time di jaringan terdesentralisasi. Kontribusi utama lainnya adalah pembahasan kami tentang integrasi AI dengan komputasi kuantum untuk ketahanan kriptografi, serta konvergensinya dengan keamanan IoT, yang membentuk generasi berikutnya kerangka keamanan siber adaptif. Lebih lanjut, makalah ini mengusulkan peta jalan berwawasan ke depan untuk keamanan siber berbasis AI yang berkelanjutan, menekankan kebutuhan akan sistem pertahanan adversarial adaptif, federated learning untuk mitigasi ancaman global, dan kerangka ketahanan siber yang diperkuat AI. Dengan menjembatani kesenjangan antara solusi keamanan berbasis AI saat ini dan paradigma masa depan, karya ini menjadi sumber daya berharga bagi peneliti, profesional keamanan siber, dan pembuat kebijakan yang bertujuan mengembangkan arsitektur keamanan siber yang cerdas, skalabel, dan tangguh. Meskipun AI dan ML membentuk ulang keamanan siber modern, efektivitasnya bergantung pada inovasi berkelanjutan, ketahanan adversarial, dan kolaborasi interdisipliner untuk melawan lanskap ancaman yang terus berkembang.

Mengapa penting

Analisis ini menegaskan bahwa meskipun AI dan ML membentuk ulang keamanan siber modern, efektivitasnya bergantung pada inovasi berkelanjutan, ketahanan adversarial, dan kolaborasi interdisipliner. Makalah ini secara kritis mengkaji batasan solusi keamanan siber berbasis AI saat ini, seperti kerentanan terhadap serangan adversarial, data poisoning, dan model evasion. Makalah ini membahas trade-off antara kompleksitas model dan interpretabilitas, serta tantangan penerapan AI di lingkungan dengan sumber daya terbatas seperti IoT. Peran federated learning dianalisis sebagai pedang bermata dua: memungkinkan kolaborasi yang menjaga privasi tetapi memunculkan permukaan serangan baru dan tantangan koordinasi. Integrasi AI dengan komputasi kuantum dieksplorasi karena potensinya untuk memecahkan dan mengamankan sistem kriptografi, menyoroti kebutuhan akan algoritma yang tahan kuantum. Konvergensi dengan keamanan IoT dibahas dalam hal skalabilitas, heterogenitas, dan kebutuhan pemrosesan real-time. Peta jalan yang diusulkan untuk keamanan siber berbasis AI yang berkelanjutan menekankan sistem pertahanan adversarial adaptif yang dapat berevolusi bersama ancaman, federated learning untuk mitigasi ancaman global yang menyeimbangkan privasi dan efektivitas, serta kerangka ketahanan siber yang diperkuat AI yang mengintegrasikan deteksi, respons, dan pemulihan. Makalah ini menyimpulkan bahwa menjembatani kesenjangan antara solusi keamanan berbasis AI saat ini dan paradigma masa depan memerlukan pendekatan multidisiplin, yang melibatkan peneliti, profesional keamanan siber, dan pembuat kebijakan untuk mengembangkan arsitektur keamanan siber yang cerdas, skalabel, dan tangguh.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ