fa تهدید سنجی سایبری مبتنی بر هوش مصنوعی:خودکار سازی کشف و تحلیل تهدیدات تخصصي Special پژوهشي Research <span style="font-size:11pt"><span style="text-justify:inter-ideograph"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="line-height:115%"><span style="font-family:Calibri,sans-serif"><span lang="AR-SA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">در سال‌های اخیر، رشد تصاعدی تهدیدات سایبری و پیچیدگی حملات، ضرورت توسعه‌ی سامانه‌های خودکار تهدیدسنجی مبتنی بر هوش مصنوعی را برجسته ساخته است. این پژوهش مروری به بررسی چارچوب‌ها، روش‌ها و چالش‌های کلیدی در خودکارسازی فرآیندهای کشف و تحلیل تهدیدات پرداخته و نقش الگوریتم‌های یادگیری ماشین، یادگیری عمیق و مدل‌های گرافی را در بهبود دقت و سرعت تشخیص تهدیدات تبیین می‌کند. نتایج مرور نظام‌مند منابع علمی نشان می‌دهد که ترکیب داده‌های چندمنبع با مدل‌های یادگیری عمیق مانند</span></span></span><span dir="LTR" style="font-size:10.0pt"><span style="line-height:115%"> CNN</span></span><span lang="AR-SA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">، </span></span></span><span dir="LTR" style="font-size:10.0pt"><span style="line-height:115%">LSTM </span></span><span lang="AR-SA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">و</span></span></span><span dir="LTR" style="font-size:10.0pt"><span style="line-height:115%"> GNN </span></span><span lang="AR-SA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">می‌تواند منجر به افزایش دقت تشخیص حملات چندمرحله‌ای شود. همچنین، استفاده از </span></span></span><strong style="font-family:Cambria,serif; font-weight:normal; text-decoration:none; vertical-align:baseline"><span lang="AR-SA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">هوش مصنوعی قابل تبیین</span></span></span></strong><strong style="font-family:Cambria,serif; font-weight:normal; text-decoration:none; vertical-align:baseline"><span dir="LTR" style="font-size:10.0pt"><span style="line-height:115%"> (XAI)</span></span></strong> <span lang="AR-SA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">باعث افزایش شفافیت تصمیمات مدل و اعتماد تحلیل‌گران امنیتی شده و امکان تعامل انسان و ماشین را در محیط‌های عملیاتی فراهم می‌آورد</span></span></span><span dir="LTR" style="font-size:10.0pt"><span style="line-height:115%">.</span></span><b><span lang="AR-SA" style="font-family:"B Nazanin""></span></b></span></span></span></span></span></span><br> &nbsp; <span style="font-size:10.0pt"><span style="line-height:115%"><span cambria="" style="font-family:">In recent years, the exponential growth of cyber threats and the increasing complexity of attacks have highlighted the urgent need for developing automated, AI-based threat intelligence systems. This review paper examines the frameworks, methods, and key challenges in automating threat discovery and analysis processes, elucidating the role of machine learning, deep learning, and graph models in improving the accuracy and speed of threat detection. Results from a systematic literature review indicate that integrating multi-source data with deep learning models&mdash;such as CNNs, LSTMs, and GNNs&mdash;can enhance the detection accuracy of multi-stage attacks. Moreover, the application of Explainable AI (XAI) increases the transparency of model decisions, fosters trust among security analysts, and enables effective human&ndash;machine interaction in operational environments.</span></span></span> هوش تهدید سایبری, هوش مصنوعی, تشخیص خودکار تهدید, هوش مصنوعی قابل توضیح Cyber Threat Intelligence, Artificial Intelligence, Automated Threat Detection, Explainable AI (XAI). 36 41 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-55-1&slc_lang=fa&sid=1 Mahdi Varmaziyar مهدی ورمزیار 1003194753284600238 1003194753284600238 Yes