XAI-Driven Security Systems: Enhancing Trust and Clarity in Automated Threat Detection and Response
Notice bibliographique
Résumé
Cybersecurity threats are on an exponential rise thus necessitating the need to develop advanced level artificial intelligence (AI) systems to respond and detect threats automatically. But conventional artificial intelligence models in security operations centers (SOCs) have posed a major trust deficit between security analysts and significantly weakened the performance of the systems. This study proposes a full-scale XAI-based security model that incorporates the explainable artificial intelligence (XAI) methods with the sophisticated machine learning algorithms in providing superior visibility and user trust to the threat-detection autonomous systems. We combined SHAP and LIME explanation frameworks with ensemble models such as Random Forest, XGBoost, CNN and LSTM architectures to achieve an accuracy of 95% on the detection with an explanation fidelity score of more than 0.85. Based on such a thorough testing on benchmark datasets such as CIC-IDS2017 and UNSW-NB15 totaling to more than 5.3 million network flows, the system can deliver processing rates of maximum 10,000 events/sec per core with a maximum end-to-end latency of less than 100 ms. Researching 30 SOC analysts in a human-factors study, the scores on trust increased notably, with systems utilizing XAI reducing the amount of time needed to triage an alert by 34 percent and the analysts confidence of the system by 68 percent, according to a human-factors study utilizing XAIenhanced systems. The system satisfies serious requirements of compliance in future regulations such as the EU Artificial Intelligence Act 2024 and NIST AI Risk Management Framework, and gives auditable, explainable choices on security. The findings show that explainable AI integration into the processes of cybersecurity can improve false positive rates by as much as 22 percent without compromising on detection performance hence providing a new paradigm of an acceptable AI in security applications.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».