حسین ترحمی اردکانی مجله بین‌المللی کامپیوتر، فناوری اطلاعات و هوش مصنوعی 1 1 (پاییز) 2025 12 08 A systematic review and in-depth review of machine learning methods for predicting, detecting, and countering cybersecurity threats in complex networks. بررسی نظام‌مند و مروری عمیق بر روش‌های یادگیری ماشین برای پیش‌بینی، تشخیص و مقابله با تهدیدات امنیت سایبری در شبکه‌های پیچیده 1 12 10.22051/jera.2021.31891.2698 FA زهرا کارشناسی علوم کامپیوتر دانشگاه آزاد واحد نجف آباد فاطمه کارشناسی علوم کامپیوتر دانشگاه آزاد واحد نجف آباد 2025 12 01 With the increasing complexity and scale of computer networks and the emergence of new technologies such as the Internet of Things (IoT), cloud computing, and fifth-generation (5G) networks, the attack surface in cyberspace has expanded at an unprecedented rate. Modern cyber threats, including advanced ransomware, zero-day attacks, and amplification-based attacks (APTs), have become increasingly complex, dynamic, and destructive. Traditional security systems that rely on predefined signatures often fail to detect these new threats. In this regard, machine learning (ML) and deep learning (DL) have emerged as transformative paradigms in the field of cybersecurity. This paper aims to provide an in-depth systematic review and comprehensively examine machine learning methods for predicting, detecting, and countering cybersecurity threats in complex networks. First, modern complex network architectures and related threat classifications are analyzed. Then, an overview of the basic concepts of machine learning and deep learning related to cybersecurity is provided. Next, applications of machine learning in key areas such as intrusion detection (IDS), malware classification, anomaly detection, threat prediction, and automated incident response are reviewed, with an emphasis on recent studies and research. Major challenges such as scalability, the need for quality data, adversarial attacks, and model interpretability are analyzed in detail, and new solutions to address them are presented. Future trends, including the role of reinforcement learning, federation, and differential privacy, and integration with edge security, are also discussed. The overall conclusion indicates the enormous potential of machine learning in creating proactive, adaptive, and intelligent security systems, while its success requires simultaneous attention to technical, ethical, and infrastructure challenges. با افزایش پیچیدگی و مقیاس شبکه‌های رایانه‌ای و ظهور فناوری‌های نوین مانند اینترنت اشیا (IoT)، رایانش ابری و شبکه‌های نسل پنجم (5G)، سطح حمله در فضای سایبری به طور بی‌سابقه‌ای گسترش یافته است. تهدیدات سایبری مدرن، از جمله باج‌افزارهای پیشرفته، حملات روز صفر (Zero-day) و حملات مبتنی بر تقویت (APT)، به‌طور فزاینده‌ای پیچیده، پویا و مخرب شده‌اند. سیستم‌های امنیتی سنتی که مبتنی بر امضای از پیش تعریف شده هستند، اغلب در شناسایی این تهدیدات نوین ناتوانند. در این راستا، یادگیری ماشین (ML) و یادگیری عمیق (DL) به عنوان پارادایم‌های تحول‌آفرین در حوزه امنیت سایبری ظهور کرده‌اند. این مقاله با هدف ارائه یک مرور نظام‌مند عمیق، به بررسی جامع روش‌های یادگیری ماشین برای پیش‌بینی، تشخیص و مقابله با تهدیدات امنیت سایبری در شبکه‌های پیچیده می‌پردازد. ابتدا معماری‌های شبکه پیچیده مدرن و طبقه‌بندی تهدیدات مرتبط تحلیل می‌شود. سپس، مروری بر مفاهیم پایه‌ای یادگیری ماشین و یادگیری عمیق مرتبط با امنیت سایبری ارائه می‌گردد. در ادامه، کاربردهای یادگیری ماشین در حوزه‌های کلیدی از جمله تشخیص نفوذ (IDS)، طبقه‌بندی بدافزار، تشخیص ناهنجاری، پیش‌بینی تهدید و پاسخ خودکار به حادثه، با تأکید بر مطالعات و پژوهش‌های جدید مورد بررسی قرار می‌گیرد. چالش‌های عمده از قبیل مقیاس‌پذیری، نیاز به داده‌های با کیفیت، حملات ایذایی (Adversarial Attacks) و تفسیرپذیری مدل‌ها به تفصیل تحلیل شده و راهکارهای نوین مقابله با آنها ارائه می‌شود. همچنین، روندهای آینده شامل نقش یادگیری تقویتی، فدریشن و حریم خصوصی دیفرانسیل و یکپارچه‌سازی با امنیت لبه (Edge Security) مورد بحث قرار می‌گیرد. نتیجه‌گیری کلی حاکی از پتانسیل عظیم یادگیری ماشین در ایجاد سیستم‌های امنیتی پیش‌گیرانه، انطباق‌پذیر و هوشمند است، در حالی که موفقیت آن مستلزم توجه همزمان به چالش‌های فنی، اخلاقی و زیرساختی است. /downloadfilepdf/43689