(Vol. 5, Issue 10 – October 1, 2026) / المجلد الخامس، العدد العاشر – ١ تشرين الأول ٢٠٢٦
تعزيز الأمن السيبراني باستخدام تقنيات الكشف القائمة على الذكاء الاصطناعي
Cybersecurity Enhancement Using AI Detection
ثامر سعدون
Thamer Saadoun
الكلية التربوية المفتوحة، فرع قلعة سكر
Open Education College, Qalat Sukkar Branch
| تاريخ النشر Published | تاريخ القبول Accepted | تاريخ الاستلام Received |
| 1 October 2026 ١ تشرين الأول ٢٠٢٦ | 25 July 2025 ٢٥ تموز ٢٠٢٥ | 15 July 2025 تموز ٢٠٢٥ |
الملخص
يمكن للذكاء الاصطناعي (AI) أن يسهم في تعزيز قدرات الكشف في مجال الأمن السيبراني؛ نظرًا لقدرته على اكتشاف الأنماط في حركة مرور الشبكات، وأحداث الأجهزة الطرفية، وسجلات المصادقة، والسجلات الأمنية التي قد تعجز القواعد الثابتة عن اكتشافها. وينطلق هذا البحث من أن القيمة الحقيقية للذكاء الاصطناعي لا تتحقق بمجرد اختيار أحدث النماذج، وإنما من خلال بناء عملية كشف موثوقة تقوم على بيانات ممثلة للواقع، وتنبيهات مضبوطة بدقة، والحماية من انجراف البيانات والتلاعب العدائي، وتوفير تفسيرات يستطيع محللو الأمن الاستفادة منها فعليًا، فضلًا عن تطبيق حوكمة مناسبة على النموذج نفسه.يستعرض البحث الدراسات المنشورة منذ عام 2018 وما بعده، إلى جانب الإرشادات ذات الصلة الصادرة عن المعهد الوطني للمعايير والتكنولوجيا (NIST). ويخلص إلى أن الذكاء الاصطناعي يحقق أفضل فاعلية عندما يُستخدم بوصفه طبقة للكشف ودعم اتخاذ القرار ضمن بنية أمنية متكاملة، وليس بديلًا عن المحللين الأمنيين.وتبرز أهمية الأنظمة الهجينة التي تجمع بين القواعد والتواقيع الأمنية للكشف عن التهديدات المعروفة، وبين التعلم الخاضع للإشراف، واكتشاف الحالات الشاذة، والتحقيق البشري للتعامل مع الأنشطة الجديدة أو غير الواضحة. كما يؤكد البحث أن تحقيق نسبة دقة مرتفعة باستخدام مجموعة بيانات معيارية عامة لا يمثل، بمفرده، دليلًا كافيًا على الكفاءة التشغيلية للنظام؛ إذ غالبًا ما تعاني مجموعات بيانات كشف التسلل العامة من عدم التوازن بين الفئات، أو اعتمادها على بيئات محاكاة، أو تأثرها بأخطاء جمع البيانات وتصنيفها.
الكلمات المفتاحية: الذكاء الاصطناعي، الأمن السيبراني، كشف التسلل، اكتشاف الحالات الشاذة، التعلم الآلي العدائي، الذكاء الاصطناعي القابل للتفسير، مركز العمليات الأمنية، انجراف المفهوم.
Abstract
Artificial intelligence (AI) can strengthen cybersecurity detection because it can find patterns in network traffic, endpoint events, authentication records and security logs that fixed rules miss. In this paper I argue that the value of AI does not come from choosing the newest model. It comes from building a reliable detection process: representative data, calibrated alerts, protection against drift and adversarial manipulation, explanations that analysts can actually use, and governance of the model itself. The paper reviews research published from 2018 onward together with the relevant guidance from the National Institute of Standards and Technology (NIST). Its main conclusion is that AI works best as a detection and decision-support layer inside a wider security architecture, and not as a replacement for analysts. The strongest case is for hybrid systems, where rules and signatures cover known threats and supervised learning, anomaly detection and human investigation deal with new or unclear activity. A high accuracy score on a public benchmark is not enough evidence of operational value, because public intrusion-detection datasets are often imbalanced, simulated, or affected by collection and labelling errors.
Keywords: artificial intelligence, cybersecurity, intrusion detection, anomaly detection, adversarial machine learning, explainable AI, security operations centre, concept drift