moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2026.61.10.005 2578 Тренды и вызовы: методы искусственного интеллекта в кибербезопасности Trends and challenges: artificial intelligence methods in cybersecurity Гузаиров Мурат Бакеевич Guzairov Murat Bakeevich mbguzairov@gmail.com aff-1 Валеев Сагит Сабитович Valeev Sagit Sabitovich vss2000@mail.ru aff-2 Кондратьева Наталья Владимировна Kondratyeva Natalya Vladimirovna knv24@mail.ru aff-3 Уфимский университет науки и технологий Ufa University of Science and Technology Уфимский университет науки и технологий Ufa University of Science and Technology Уфимский университет науки и технологий Ufa University of Science and Technology 01 01 2026 1 1 10.26102/2310-6018/2026.61.10.005 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В статье проводится анализ современного состояния методов искусственного интеллекта в области кибербезопасности. Обсуждается принцип интеграции искусственного интеллекта в контур безопасности на основе концепции «человек в контуре» (Human-in-the-loop). Отмечено, что развитие программных мультиагентных систем позволяет создавать распределенные экосистемы информационной защиты. Анализируются методы глубокого обучения (Deep Learning), которые являются технологическим фундаментом современного искусственного интеллекта в кибербезопасности благодаря способности автоматически извлекать иерархические признаки из сырых данных. Показано, что для повышения эффективности, надежности и интерпретируемости активно применяются гибридные архитектуры, сочетающие сильные стороны различных нейросетевых парадигм. Также искусственный интеллект выступает активным компонентом управления операционной устойчивостью, то есть способностью организации выполнять свои ключевые функции в условиях воздействия кибератак или сбоя некоторых подсистем инфраструктуры. Выявлены ключевые тренды и вызовы развития искусственного интеллекта в сфере кибербезопасности. Среди перспективных направлений развития выделены объяснимый искусственный интеллект, федеративное обучение, большие языковые модели, защита от состязательного искусственного интеллекта. К основным трудностям внедрения относятся масштабируемость в реальном времени, эволюция атак и операционная сложность.

This article analyzes the current state of artificial intelligence in cybersecurity. It discusses the principle of integrating artificial intelligence into the security environment based on the "human-in-the-loop" concept. It is noted that the development of software multi-agent systems enables the creation of distributed information security ecosystems. Deep learning methods are analyzed, which form the technological foundation of modern artificial intelligence in cybersecurity due to their ability to automatically extract hierarchical features from raw data. It is shown that hybrid architectures combining the strengths of various neural network paradigms are actively used to improve efficiency, reliability, and interpretability. Artificial intelligence also serves as an active component in operational resilience management, that is, the ability of an organization to perform its key functions in the face of cyberattacks or the failure of certain infrastructure subsystems. Key trends and challenges in the development of artificial intelligence in cybersecurity are identified. Promising areas of development include explainable artificial intelligence, federated learning, large-scale language models, and protection against adversarial artificial intelligence. Key implementation challenges include real-time scalability, attack evolution, and operational complexity.

 искусственный интеллект кибербезопасность операционная устойчивость глубокое обучение обнаружение аномалий artificial intelligence cybersecurity operational resilience deep learning anomaly detection Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Olawade D.B., Plabon Sh.B., Ojo A., Ogunbona M.A., Makanjuola B.D., Olasilola O.R. Human in the loop artificial intelligence in healthcare: applications, outcomes, and implementation challenges. International Journal of Medical Informatics. 2026;213:106362. https://doi.org/10.1016/j.ijmedinf.2026.106362 Alqudhaibi A., Albarrak M., Aloseel A., et al. Proactive cybersecurity in industry 4.0: a survey of cybersecurity threat prediction approaches in manufacturing systems. International Journal of Information Security. 2026;25(1):14. https://doi.org/10.1007/s10207-025-01188-9 Валеев С.С., Кондратьева Н.В., Мельников А.В. Архитектура предприятия и архитектура нулевого доверия. Вестник УрФО. Безопасность в информационной сфере. 2023;2(2):49–53. https://doi.org/10.14529/secur230204 Duran F., Conrad S.H., Conrad G.N., Duggan D.P., Held E.B. Building a system for insider security. IEEE Security & Privacy. 2009;7(6):30–38. https://doi.org/10.1109/MSP.2009.111 Alladi T., Chamola V., Zeadally Sh. Industrial control systems: Cyberattack trends and countermeasures. Computer Communications. 2020;155(22):1–9. https://doi.org/10.1016/j.comcom.2020.03.007 Валеев С.С., Кондратьева Н.В., Гузаиров М.Б., Мельников А.В. Этапы реинжиниринга информационной системы предприятия в рамках технологии нулевого доверия. Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. 2023;(3):136–143. Валеев С.С., Кондратьева Н.В., Гузаиров М.Б., Исмагилова А.С. Иерархическая динамическая система управления информационной безопасностью информационной системы предприятия. Инженерный вестник Дона. 2023;(11). URL: https://ivdon.ru/ru/magazine/archive/n11y2023/8802 Валеев С.С., Кондратьева Н.В., Гузаиров М.Б., Исмагилова А.С. Многоагентные системы как технологическая база реализации концепции нулевого доверия. Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. 2024;(3):116–123. Page M.J., McKenzie J.E., Bossuyt P.M., et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. The BMJ. 2021;372:n71. https://doi.org/10.1136/bmj.n71 Heckman K.E., Stech F.J., Thomas R.K., Schmoker B., Tsow A.W. Intrusions, Deception, and Campaigns. In: Cyber Denial, Deception and Counter Deception: A Framework for Supporting Active Cyber Defense. Cham: Springer; 2015. P. 31–52. https://doi.org/10.1007/978-3-319-25133-2_3 Ding D., Han Q.-L., Xiang Y., Ge X., Zhang X.-M. A survey on security control and attack detection for industrial cyber-physical systems. Neurocomputing. 2018;275:1674–1683. https://doi.org/10.1016/j.neucom.2017.10.009 Валеев С.С., Кондратьева Н.В. Особенности проектирования систем безопасности на базе архитектуры нулевого доверия. Инженерный вестник Дона. 2023;(8). URL: https://ivdon.ru/ru/magazine/archive/n8y2023/8627 Yan J., Qi Y., Rao Q. Detecting malware with an ensemble method based on deep neural network. Security and Communication Networks. 2018;2018:7247095. https://doi.org/10.1155/2018/7247095 Venkatraman S., Alazab M., Ravi V. A hybrid deep learning image-based analysis for effective malware detection. Journal of Information Security and Applications. 2019;47:377–389. https://doi.org/10.1016/j.jisa.2019.06.006 Zhang J., Qin Zh., Yin H., Ou L., Xiao Sh., Hu Y. Malware variant detection using opcode image recognition with small training sets. In: 2016 25th International Conference on Computer Communication and Networks (ICCCN), 01–04 August 2016, Waikoloa, HI, USA. IEEE; 2016. https://doi.org/10.1109/ICCCN.2016.7568542 Zhou G., Tian W., Buyya R., Xue R., Song L. Deep reinforcement learning-based methods for resource scheduling in cloud computing: a review and future directions. Artificial Intelligence Review. 2024;57(5):124. https://doi.org/10.1007/s10462-024-10756-9 Zohrevand Z., Glässer U. Should I raise the red flag? A comprehensive survey of anomaly scoring methods toward mitigating false alarms. arXiv. URL: https://arxiv.org/abs/1904.06646 [Accessed 5th June 2026]. Park J., Kim D.S., Lim H. Privacy-preserving reinforcement learning using homomorphic encryption in cloud computing infrastructures. IEEE Access. 2020;8:203564–203579. https://doi.org/10.1109/ACCESS.2020.3036899 Thakur P., Kansal V., Rishiwal V. Hybrid deep learning approach based on LSTM and CNN for malware detection. Wireless Personal Communications. 2024;136(3):1879–1901. https://doi.org/10.1007/s11277-024-11366-y Akandwanaho S.M., Kooblal M. Intelligent Malware Detection Using a Neural Network Ensemble Based on a Hybrid Search Mechanism. The African Journal of Information and Communication. 2019;(24). https://doi.org/10.23962/10539/28660 Yakura H., Shinozaki Sh., Nishimura R., Oyama Y., Sakuma J. Malware analysis of imaged binary samples by convolutional neural network with attention mechanism. In: CODASPY '18: Proceedings of the Eighth ACM Conference on Data and Application Security and Privacy, 19–21 March 2018, Tempe, AZ, USA. New York: ACM; 2018. P. 127–134. https://doi.org/10.1145/3176258.3176335 Yoo S., Kim S., Kang B.B. The image game: exploit kit detection based on recursive convolutional neural networks. IEEE Access. 2020;8:18808–18821. https://doi.org/10.1109/ACCESS.2020.2967746 Yazı A.F., Çatak F.Ö., Gül E. Classification of methamorphic malware with deep learning (LSTM). In: 2019 27th Signal Processing and Communications Applications Conference (SIU), 24–26 April 2019, Sivas, Turkey. IEEE; 2019. https://doi.org/10.1109/SIU.2019.8806571 Yue S., Wang T. Imbalanced malware images classification: a CNN based approach. arXiv. URL: https://arxiv.org/abs/1708.08042 [Accessed 5th June 2026]. Wang T., Xu N. Malware variants detection based on opcode image recognition in small training set. In: Proceedings of the 2017 IEEE 2nd International Conference on Cloud Computing and Big Data Analysis (ICCCBDA), 28–30 April 2017, Chengdu, China. IEEE; 2017. P. 328–332. https://doi.org/10.1109/ICCCBDA.2017.7951933 Khan R., Maynard P., McLaughlin K., Laverty D., Sezer S. Threat analysis of BlackEnergy malware for synchrophasor based real-time control and monitoring in smart grid. In: ICS-CSR '16: Proceedings of the 4th International Symposium for ICS & SCADA Cyber Security Research 2016, 23–25 August 2016, Belfast, UK. Swindon: BCS Learning & Development Ltd.; 2016. https://doi.org/10.14236/ewic/ICS2016.7 Crossman A., Plummer A.R., Sekharudu Ch., Warrier D., Yekrangian M. Auspex: Building threat modeling tradecraft into an artificial intelligence-based copilot. In: 2025 IEEE Conference on Artificial Intelligence (CAI), 05–07 May 2025, Santa Clara, CA, USA. IEEE; 2025. P. 1160–1167. https://doi.org/10.1109/CAI64502.2025.00201 Bhardwaj A., Godika S., Loonker Y. MALCDF: A Distributed Multi-Agent LLM Framework for Real-Time Cyber. arXiv. URL: https://arxiv.org/abs/2512.14846 [Accessed 8th June 2026]. Georgiadou A., Mouzakitis S., Askounis D. Assessing MITRE ATT&CK Risk Using a Cyber-Security Culture Framework. Sensors. 2021;21(9):3267. https://doi.org/10.3390/s21093267 Friedberg I., Skopik F., Settanni G., Fiedler R. Combating advanced persistent threats: From network event correlation to incident detection. Computers & Security. 2014;48:35–57. https://doi.org/10.1016/j.cose.2014.09.006 Hundman K., Constantinou V., Laporte Ch., Colwell I., Soderstrom T. Detecting spacecraft anomalies using LSTMs and nonparametric dynamic thresholding. arXiv. URL: https://arxiv.org/abs/1802.04431 [Accessed 8th June 2026]. Laheri R., Sukumar H.K.K., Kola Ch., Makin Y. Self-healing infrastructure: leveraging reinforcement learning for autonomous cloud recovery and enhanced resilience. Journal of Information Systems Engineering and Management. 2025;10(49s):352–357. https://doi.org/10.52783/jisem.v10i49s.9888 Mehdi Syed A.A., Anazagasty E. AI-driven infrastructure automation: leveraging AI and ML for self-healing and auto-scaling cloud environments. International Journal of Artificial Intelligence, Data Science, and Machine Learning. 2024;5(1):32–43. https://doi.org/10.63282/3050-9262.IJAIDSML-V5I1P104 Thein Th., Myo M.M., Parvin S., Gawanmeh A. Reinforcement learning based methodology for energy-efficient resource allocation in cloud data centers. Journal of King Saud University – Computer and Information Sciences. 2020;32(10):1127–1139. https://doi.org/10.1016/j.jksuci.2018.11.005 Mangalampalli S., Karri G.R., Kumar M., et al. DRLBTSA: Deep reinforcement learning based task-scheduling algorithm in cloud computing. Multimedia Tools and Applications. 2024;83(3):8359–8387. https://doi.org/10.1007/s11042-023-16008-2 Sharma A., Singh U.K. Modelling of smart risk assessment approach for cloud computing environment using AI and supervised machine learning algorithms. Global Transitions Proceedings. 2022;3(1):243–250. https://doi.org/10.1016/j.gltp.2022.03.030 Qu G., Wu H., Li R., Jiao P. DMRO: A deep meta reinforcement learning-based task offloading framework for edge-cloud computing. IEEE Transactions on Network and Service Management. 2021;18(3):3448–3459. https://doi.org/10.1109/TNSM.2021.3087258 Sheela M.S., Jayakanth J.J., Ramathilagam A., Gracewell J. Secure wireless sensor network transmission using reinforcement learning and homomorphic encryption. International Journal of Data Science and Analytics. 2025;20(3):2851–2870. https://doi.org/10.1007/s41060-024-00633-7 Joshi V., Patel P., Chandwani N., Bhatia J., Kumhar M. Intelligent auto-scaling in cloud infrastructure using machine learning and reinforcement learning. In: Advances in Data-Driven Computing and Intelligent Systems: Selected Papers from ADCIS 2024: Volume 2, 20–21 September 2024, Goa, India. Singapore: Springer; 2024. P. 217–239. https://doi.org/10.1007/978-981-96-4536-7_17 Jha N.N. Accelerating Cloud Outage Recovery Through Adaptive AI: A Reinforcement Learning Approach. European Journal of Computer Science and Information Technology. 2025;13(20):1–10. https://doi.org/10.37745/ejcsit.2013/vol13n26110

The authors declare that there are no conflicts of interest present.