บทบาท ประโยชน์ และความท้าทายของการประยุกต์ใช้ปัญญาประดิษฐ์เพื่อเสริมสร้างความมั่นคงปลอดภัยทางไซเบอร์
คำสำคัญ:
ปัญญาประดิษฐ์, ความปลอดภัยไซเบอร์, การตรวจจับภัยคุกคาม, การวิเคราะห์มัลแวร์บทคัดย่อ
ภัยคุกคามทางไซเบอร์มีแนวโน้มทวีความรุนแรงและซับซ้อนมากขึ้นอย่างต่อเนื่อง ทั้งการโจมตีด้วยมัลแวร์ การโจมตีแบบปฏิเสธการให้บริการ และภัยคุกคามประเภทใหม่อย่างการเรียกค่าไถ่ ส่งผลกระทบอย่างมหาศาลต่อองค์กรและบุคคลทั่วโลก ระบบรักษาความปลอดภัยแบบดั้งเดิมมีข้อจำกัดในการรับมือ การนำเทคโนโลยีปัญญาประดิษฐ์ (AI) มาประยุกต์ใช้จึงเป็นทางเลือกที่น่าสนใจ บทความวิชาการนี้มีวัตถุประสงค์เพื่อทบทวนวรรณกรรมที่เกี่ยวข้องกับการประยุกต์ใช้ AI ในการรับมือกับภัยคุกคามไซเบอร์ในช่วงปี ค.ศ. 2014-2024 โดยใช้วิธีการทบทวนวรรณกรรมอย่างเป็นระบบ ศึกษาเปรียบเทียบผลงานวิจัยทั้งในแง่เทคนิค AI ที่นำมาใช้ ประเภทภัยคุกคามที่ศึกษา และประสิทธิภาพของระบบ ผลการศึกษาพบว่า การประยุกต์ใช้เทคนิค AI หลากหลายแขนง ไม่ว่าจะเป็น Machine Learning Deep Learning หรือการผสมผสานหลายเทคนิค สามารถเพิ่มความแม่นยำในการตรวจจับภัยคุกคาม ความรวดเร็วในการตอบสนอง และขีดความสามารถในการเรียนรู้รูปแบบใหม่ ๆ ได้สูงกว่าวิธีการแบบดั้งเดิมอย่างมีนัยสำคัญ โดยเฉพาะการใช้ Deep Learning ในการวิเคราะห์มัลแวร์ที่มีความแม่นยำสูงถึง 98% และเร็วกว่าการวิเคราะห์ด้วยมนุษย์ถึง 20 เท่า
References
Accenture. (2019). Artificial intelligence: Is your organizational ‘cyber resilience’ up to the challenge? Retrieved from https://www.accenture.com/gb-en/insights/artificial-intelligence/cybersecurity-artificial-intelligence
Aliar, A. A., Gowri, V., & Zbins, A. A. (2024). Detection of distributed denial of service attack using enhanced adaptive deep dilated ensemble with hybrid meta-heuristic approach. Transactions on Emerging Telecommunications Technologies, 35(1), e4921. https://doi.org/10.1002/ett.4921
Bhuyan, M. H., Bhattacharyya, D. K., & Kalita, J. K. (2015). NADO: A hybrid kernel based approach for network anomaly detection. IEEE Communications Surveys & Tutorials, 17(2), 706-722. https://doi.org/10.1109/COMST.2015.2417967
Bogatinov, D., & Bogdanoski, M. (2022). Using artificial intelligence as a first line of defense in cyberspace. NATO Science for Peace and Security Series - E: Human and Societal Dynamics, 155, 56-68. doi: 10.3233/NHSDP220006
Burgess, M. (2022). Russia’s Central Bank digital services disrupted by DDoS attacks, Wired UK. Retrieved from https://www.wired.co.uk/article/russia-central-bank-ddos-attack
Chen, Y. H., Lin, S. C., Huang, S. C., Lei, C. L., & Huang, C. Y. (2023). Guided malware sample analysis based on graph neural networks. IEEE Transactions on Information Forensics and Security, 18, 4128-4143. doi: 10.1109/TIFS.2023.3283913.
Chivukula, S. A., Yang, X., Liu, B., Liu, W., & Zhou, W. (2023). Adversarial attack surfaces. In Adversarial machine learning (pp 47–72). Berlin, Germany: Springer. https://doi.org/10.1007/978-3-030-99772-4_3
Cimpanu, C. (2021). Waikato DHB cyber-attack: Hackers had access to hospitals’ IT systems for around five months. The record by recorded future. Retrieved from https://therecord.media/waikato-dhb-cyber-attack-hackers-had-access-to-hospitals-it-systems-for-around-five-months/
Clarke, R. (2023). The re-conception of AI: Beyond artificial, and beyond intelligence. IEEE Transactions on Technology and Society, 4(1), 24-33. doi: 10.1109/TTS.2023.3234051.
Cox, J. (2023). DDoS attacks jumped 150% in the past year, network provider says. CNET. Retrieved from https://www.cnet.com/tech/services-and-software/ddos-attacks-jumped-150-in-past-year-network-provider-says/
FBI. (2022). 2021 internet crime report. Retrieved from https://www.ic3.gov/Media/PDF/AnnualReport/2021_IC3Report.pdf
Guo, Q., Chen, Y., Chen, J., Shen, H., & Wu, J. (2020). A survey on adversarial attacks and defense strategies in machine learning-based cyber security applications. IEEE Access, 8, 205806-205831.
Han, H., & Trimi, S. (2024). Analysis of cloud computing-based education platforms using unsupervised random forest. Educ Inf Technol, 29, 15905–15932. https://doi.org/10.1007/s10639-024-12457-w
Hassan, N. A. (2019). Enterprise defense strategies against ransomware attacks. In Ransomware Revealed (pp. 115-154). CA Berkeley: Apress https://doi.org/10.1007/978-1-4842-4255-1_5
Jo, T. (2020). Semi-supervised Learning. In Machine Learning Foundations (pp 309–334). Berlin: Springer. https://doi.org/10.1007/978-3-030-65900-4_14.
Kizza, J. M. (2020). Guide to computer network security (5th ed.). Berlin: Springer.
Kwon, H., & Sea, J. (2022). Characteristics of sexual homicide: Based on random forest analysis. Journal Article Korean Criminological Review, 33(1), 165-192. doi: 10.36889/KCR.2022.3.31.1.165
Kumar, A., Han, S. T., & Soni, A. K. (2022). Survey on artificial intelligence for cybersecurity. IEEE Access, 10, 16679-16709. https://doi.org/10.1109/ACCESS.2022.3146309
Li, C., Liu, Q., Guo, Q., & Wu, Y. (2022). A federated graph neural network approach for privacy-preserving network intrusion detection. IEEE Transactions on Network Science and Engineering, 9(1), 247-260. doi:10.21203/rs.3.rs-1191595/v1
Li, P., Xiong, F., Huang, X., & Wen, X. (2024). Construction and optimization of vending machine decision support system based on improved C4.5 decision tree. Heliyon, 10(3), e25024. doi: https://doi.org/10.1016/j.heliyon.2024.e25024
Liu, Y., Kang, Y., Zou, T., Pu, Y., He, Y., Ye, X., Zhang, Y.Q., & Yang, Q. (2024). Vertical federated learning: Concepts, advances, and challenges. IEEE Transactions on Knowledge and Data Engineering, 36(7), 3615-3634. doi: 10.1109/TKDE.2024.3352628.
Marino, D. L., Wickramasinghe, C. S., & Riehle, L. (2021). Metamorphic testing for cybersecurity: Securing machine learning cyber-physical systems through metamorphic testing. IEEE Transactions on Reliability, 70(1), 264-280.
Morse, A., & Satter, R. (2021). Data on 533 million Facebook users leaked online. Reuters. Retrieved from https://www.reuters.com/technology/hackers-leak-data-533-mln-facebook-users-2021-04-03/
Mothukuri, V., Parizi, R. M., Pouriyeh, S., Huang, Y., Dehghantanha, A., & Srivastava, G. (2021). A survey on security and privacy of federated learning. Future Generation Computer Systems, 115, 619-640. https://doi.org/10.1016/j.future.2020.10.007
Nanda, S., Zafari, F., DeLong, C., Bustinza, R., & Raina, R. (2022). XAI for data-driven cyber security: Opportunities, challenges & future directions. arXiv preprint arXiv, 2204, 11234.
Roger, A. (2022). Grimes, future of ransomware. In Ransomware protection playbook (pp. 261-272). New York: Wiley
Sarker, I. H., Kayes, A. S. M., Badsha, S., Alqahtani, H., Watters, P., & Ng, A. (2020). Cybersecurity data science: An overview from machine learning perspective. Journal of Big Data, 7, 41. https://doi.org/10.1186/s40537-020-00318-5
Sharif, M. H. U., & Mohammed, M. A. (2022). A literature review of financial losses statistics for cyber security and future trend. World Journal of Advanced Research and Reviews, 15(1), 138–156. https://doi.org/10.30574/wjarr.2022.15.1.0573
Srinivasan, S., & Sharmili, A. S. (2022). Graph neural network-based intrusion detection systems for cyber security applications. In AI and Machine Learning for Cyber Security (pp. 79-104). Berlin: Springer.
Taylor, I. (2024). Is explainable AI responsible AI? In AI & Soc (pp. 1-10). Berlin: Springer. https://doi.org/10.1007/s00146-024-01939-7
The Securities and Exchange Commission Thailand. (2022). Cyber attack trends 2022. Retrieved from https://www.sec.or.th/TH/Pages/CYBERRESILIENCE-STATISTICS-2565.aspx (in Thai)
Töndel, I. A., & Cruzes, D. S. (2022). Continuous software security through security prioritisation meetings. Journal of Systems and Software, 194, 111477. https://doi.org/10.1016/j.jss.2022.111477
Wang, S., He, R., Shan, C., Choo, K. K. R., Yang, Y., & Chen, W. (2023). Defending against cybersecurity attacks: A comprehensive survey. ACM Computing Surveys, 55(6), 125. https://doi.org/10.1145/3534389
Wang, Y. C., Houng, Y. C., Chen, H. X., & Tseng, S. M. (2023). Network anomaly intrusion detection based on deep learning approach. Sensors, 23(4), 2171. https://doi.org/10.3390/s23042171
Warnecke, A., Arp, D., Wressnegger, C., & Rieck, K. (2020). Evaluating explanation methods for deep learning in security. IEEE European Symposium on Security and Privacy (EuroS&P) (pp. 158-174). Genoa, Italy: IEEE. doi: 10.1109/EuroSP48549.2020.00018.
Whittaker, Z. (2022). Marriott to pay £18.4 m fine after massively bungling data breach disclosures, TechCrunch. Retrieved from https://techcrunch.com/2022/10/11/marriott-uk-data-breach-fine/
Wollerton, M. (2023). Ransomware attacks. In CQ Researcher. Thousand Oaks, CA: CQ Press. https://doi.org/10.4135/cqresrre20230818
Zeadally, S., Adi, E., Baig, Z., & Khan, I. A. (2020). Harnessing artificial intelligence capabilities to improve cybersecurity practices. Information, 11(10), 490. https://doi.org/10.3390/info11100490
Zhang, H., Chen, L., Liu, X., & Wang, X. (2021). Meta-learning based adversarial detection framework for few-shot learning in cybersecurity. IEEE Transactions on Information Forensics and Security, 16, 4306-4320.
Zhong, Y., Yu, W., Yuantao, S., Liu, J., & Qu, Y. (2020). Hierarchical graph neural network for network intrusion detection. IEEE Transactions on Information Forensics and Security, 15, 2653-2662.
