Use of artificial intelligence for cyber Threat analysis in information systems a systematic review from 2024 To 2026
Résumé (anglais)
The rapid evolution of cyber threats has rendered traditional signature based security mechanisms increasingly inadequate creating urgent demand for adaptive intelligent defense systems. This systematic review examines the application of artificial intelligence for cyber threat analysis in information systems focusing on literature published between 2024 and 2026. The review synthesizes evidence across three primary domains which are machine learning and deep learning approaches for threat detection large language models for threat intelligence processing and graph based methods for network intrusion analysis. Following established systematic review methodology, the study identified and analyzed relevant peer reviewed literature from major academic databases. The findings reveal that AI powered detection systems achieve detection accuracy rates approaching 95 percent while reducing false alarms by approximately 40 percent compared to traditional methods. Self-supervised learning frameworks demonstrate particular promise for encrypted traffic analysis achieving detection accuracy of 96.3 percent with low false positive rates. Large language models show strong potential for automated threat intelligence mapping with accuracy rates exceeding 97 percent in classifying emerging cyber threat tactics. However, the review also identifies significant challenges including adversarial vulnerability with attacks bypassing AI detection at rates approaching 43 percent data poisoning risks degrading model performance by up to 22 percent and persistent concerns regarding model interpretability and scalability in real time deployment. The review concludes that while AI has substantially advanced cyber threat analysis capabilities the field requires continued development of robust explainable and adversarial resistant models to realize the full potential of intelligent threat detection in operational information systems.
Mots-clés: artificial intelligence, cyber threat analysis, machine learning, large language models, systematic review, intrusion detection
Résumé (français)
L evolution rapide des cybermenaces a rendu les mecanismes de securite traditionnels bases sur les signatures de plus en plus inadequats creant une demande urgente de systemes de defense intelligents et adaptatifs. Cette revue systematique examine l application de l intelligence artificielle pour l analyse des cybermenaces dans les systemes d information en se concentrant sur la litterature publiee entre 2024 et 2026. La revue synthetise les preuves dans trois domaines principaux qui sont les approches d apprentissage automatique et profond pour la detection des menaces les grands modeles de langage pour le traitement du renseignement sur les menaces et les methodes basees sur les graphes pour l analyse des intrusions reseau. Suivant une methodologie de revue systematique etablie l etude a identifie et analyse la litterature pertinente evaluee par les pairs provenant des principales bases de donnees academiques. Les resultats revelent que les systemes de detection alimentes par l intelligence artificielle atteignent des taux de precision de detection approchant 95 pour cent tout en reduisant les fausses alarmes d environ 40 pour cent par rapport aux methodes traditionnelles. Les cadres d apprentissage auto supervise demontrent un potentiel particulier pour l analyse du trafic chiffre atteignant une precision de detection de 96.3 pour cent avec de faibles taux de faux positifs. Les grands modeles de langage montrent un fort potentiel pour la cartographie automatisee du renseignement sur les menaces avec des taux de precision depassant 97 pour cent dans la classification des tactiques de cybermenaces emergentes. Cependant la revue identifie egalement des defis importants notamment la vulnerabilite adversariale avec des attaques contournant la detection par intelligence artificielle a des taux approchant 43 pour cent les risques d empoisonnement des donnees degradant les performances du modele jusqu a 22 pour cent et les preoccupations persistantes concernant l interpretabilite du modele et l evolutivite dans le deploiement en temps reel. La revue conclut que bien que l intelligence artificielle ait considerablement fait progresser les capacites d analyse des cybermenaces le domaine necessite un developpement continu de modeles robustes explicables et resistants aux adversaires pour realiser le plein potentiel de la detection intelligente des menaces dans les systemes d information operationnels.
Mots-clés: intelligence artificielle, analyse des cybermenaces, apprentissage automatique, grands modeles de langage, revue systematique, detection d intrusion