AI-Enhanced Threat Intelligence for Proactive Zero-Day Attack Detection

• Abdel Wahed, Mutaz ^[1]
  1. [1] Jadara University, Faculty of Information Technology, Irbid Jordan
• Localización: Gamification and Augmented Reality, ISSN-e 3008-9093, Vol. 3, Nº. 0, 2025 (Ejemplar dedicado a: Gamification and Augmented Reality)
• Idioma: inglés
• Títulos paralelos:
  • Inteligencia de Amenazas Potenciada por IA para la Detección Proactiva de Ataques de Día Cero
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Introducción: los ataques zero-day representan un desafío crítico en ciberseguridad al explotar vulnerabilidades no reveladas a los desarrolladores de software y expertos en seguridad. Los enfoques convencionales de inteligencia de amenazas, que dependen de firmas y patrones de ataque conocidos, frecuentemente fallan en detectar estas amenazas sigilosas. Método: este estudio propone un marco integral que combina tecnologías de IA, incluyendo algoritmos de aprendizaje automático, procesamiento de lenguaje natural (PLN) y detección de anomalías, para analizar amenazas en tiempo real. El marco incorpora modelos predictivos para anticipar posibles vectores de ataque y mecanismos de respuesta automatizada para permitir una mitigación rápida. Resultados: los hallazgos indican que la inteligencia de amenazas potenciada por IA mejora significativamente la detección de ataques zero-day en comparación con métodos tradicionales. El marco reduce el tiempo de detección y aumenta la precisión al identificar anomalías sutiles que indican exploits zero-day. Conclusiones: esta investigación destaca el potencial transformador de la IA para fortalecer la inteligencia de amenazas contra ataques zero-day. Al aprovechar el aprendizaje automático avanzado y el análisis en tiempo real, el marco propuesto ofrece un enfoque más robusto y adaptable en ciberseguridad.

  • English

    Introduction: zero-day attacks pose a critical cybersecurity challenge by targeting vulnerabilities that are undisclosed to software vendors and security experts. Conventional threat intelligence approaches, which rely on known signatures and attack patterns, often fail to detect these stealthy threats.Methods: this study proposes a comprehensive framework that combines AI technologies, including machine learning algorithms, natural language processing (NLP), and anomaly detection, to analyze threats in real time. The framework incorporates predictive modeling to anticipate potential attack vectors and automated response mechanisms to enable rapid mitigation.Results: the findings indicate that AI-enhanced threat intelligence significantly improves the detection of zero-day attacks compared to traditional methods. The framework reduces detection time and enhances accuracy by identifying subtle anomalies indicative of zero-day exploits.Conclusion: this research highlights the transformative potential of AI in strengthening threat intelligence against zero-day attacks. By leveraging advanced machine learning and real-time analytics, the proposed framework offers a more robust and adaptive approach to cybersecurity.