Agentic AI for Autonomous Cyber Threat Hunting and Adaptive Defense in Dynamic Security Environments
Notice bibliographique
Résumé
Evolution of cyber threats have led to limitations in the efficiency of traditional rule-based cybersecurity approaches. These traditional interventions have remained to have a resource intensive and reaction approach, prompting the creation of new steps that can help in handling cyber threats through AI. This study develops an AI driven system for autonomous cyber threat hunting, through leveraging Machine Learning (ML), Deep Reinforcement Learning (RDL) and using AI analytics to ensure a proactive detection, resolution and management of threats. The study uses datasets such as DARPA and CIDS ensuring that they can work on an AI intervention. The use of ML models such as CNN and RNN ensure analysis of the network traffic, behavioral indicators and system logs. Using DRL enables the system to have an autonomous adaptation to threats such as zero day exploits, reducing the instances of false positives and false negatives. Results from this study indicates that using AI driven threat detection leads to an accuracy rate of 98.2%, F1 score of 97.1% while reducing both MTTD and MTTR by an estimated 99%. The findings depict the ability of the system to have an operational framework demanding minimal human intervention. Thus, the cybersecurity operations can be advanced to have an increasingly transformative engagement, working on proactive threat detection and reducing operational costs. Considerably, future research should focus on enhancing Explainability in AI, addressing ethical issues and countering growing adversarial attacks on the AI system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».