چکیده با گسترش سریع فناوری‌های دیجیتال، شبکه‌های اجتماعی، رایانش ابری و سامانه‌های هوشمند، تهدیدات سایبری نیز از نظر پیچیدگی و تنوع به‌طور چشمگیری افزایش یافته‌اند. روش‌های سنتی امنیت سایبری که عمدتاً مبتنی بر قوانین ایستا و امضاهای از پیش تعریف‌شده هستند، توانایی کافی برای مقابله با حملات نوظهور و ناشناخته را ندارند. در این میان، یادگیری ماشین به‌عنوان یکی از زیرشاخه‌های هوش مصنوعی، با قابلیت یادگیری از داده‌های حجیم و تطبیق‌پذیری با الگوهای جدید، نقش مهمی در ارتقای امنیت سایبری ایفا کرده است. این مقاله یک مرور جامع بر پژوهش‌های اخیر در زمینه کاربرد یادگیری ماشین در امنیت سایبری ارائه می‌دهد. تمرکز اصلی بر حوزه‌هایی نظیر تشخیص نفوذ، شناسایی بدافزار، کشف ناهنجاری، تشخیص فیشینگ و تقلب مالی است. همچنین چالش‌های اساسی از جمله حملات خصمانه به مدل‌های یادگیری ماشین، کیفیت داده، تفسیرپذیری مدل‌ها و مشکلات پیاده‌سازی در محیط‌های واقعی مورد بررسی قرار می‌گیرد. در نهایت، مسیرهای پژوهشی آینده برای توسعه سامانه‌های امنیتی هوشمند پیشنهاد می‌شود.

یادگیری ماشین امنیت سایبری تشخیص نفوذ تشخیص بدافزار تشخیص ناهنجاری حملات خصمانه فیشینگ