신뢰할 수 있는 사이버 보안을 위한 딥러닝: 탐지, 강건성, 프라이버시, 설명 가능성 및 배포에 대한 구조적인 리뷰

딥러닝은 사이버 보안에서 네트워크 트래픽, 로그, 이진 파일, 그래프, 텍스트, 코드 및 다중 모달 텔레메트리의 증거를 감지하고, 분류하고, 우선순위를 정하고 설명하는 데 점점 더 많이 사용되고 있습니다. 그러나 문헌은 작업, 데이터 세트, 아키텍처, 신뢰성 속성 및 배포 설정에 따라 단편화되어 있어 기준 성능이 운영 사이버 방어 워크플로우에 이식되는지 판단하기 어렵습니다. 본 논문은 증거 지향적 종합이 포함된 구조화된 서사 리뷰를 제공합니다. 이 합성은 115개의 참조 자료로 구성된 중복되지 않은 인용 출처 참고 문헌을 증거 매핑 코퍼스로 사용합니다; 이 코퍼스는 투명성과 관련하여 보고되며 PRISMA 최종 포함 세트로 제시되지 않습니다. 증거 맵은 보안 작업, 데이터 양식, 모델 가족, 신뢰성 속성 및 배포 환경이라는 다섯 축 프레임워크를 통해 조직됩니다. 광범위한 서베이 작업에서 일반적으로 발생하는 방법론적 및 범위 문제에 대응하여, 개정안은 주장 범위를 투명한 인용 출처 합성으로 좁히고, 명시적인 포함 경계를 정의하며, 데이터 차트 코드북을 추가하고, 비독점적인 코드 강조 행렬을 보고하며, 데이터 세트 선택, 분할 프로토콜, 배포 보고 대상 및 대형 언어 모델(LLM) 지원 보안 운영 센터(SOC) 위험 통제를 위한 실용적인 테이블을 도입합니다. 적용 분야 전반에 걸쳐 검토된 문헌은 기준 정확도가 필요하지만 충분하지 않음을 나타냅니다. 배포 준비 상태 또한 적대적인 강건성, 프라이버시 보호, 설명 가능성, 불확실성 보정, 드리프트 처리, 재현성, 자원 인식 회복력 및 계산 가능성에 의존합니다. 이 리뷰는 시간적 검증, 교차 데이터셋 테스트, 분석가 중심의 설명, 안전한 학습 파이프라인, 주체적 LLM 안전성, 그리고 엣지 인식 배포에서 지속적인 격차를 식별합니다. 결과적으로 연구 의제는 정확하고 탄력적이며 프라이버시를 인식하고 설명 가능하며 재현 가능하고 배포 가능한 사이버 보안 인공지능 시스템을 강조합니다.