Memetakan Status Terkini Knowledge Graph CTI melalui Analisis Bibliometrik

Analisis bibliometrik knowledge graph dalam keamanan siber dan Cyber Threat Intelligence (CTI), menyoroti tren, klaster tematik, dan integrasi teknik AI lanjutan.

M. Papoutsoglou; G. Meditskos; N. Bassiliades; Efstratios Kontopoulos; S. Vrochidis· Hellenic Conference on Artificial Intelligence· 2024· DOI 10.1145/3688671.3688738

Masalah inti

Analisis bibliometrik di bidang keamanan siber dan Cyber Threat Intelligence (CTI) sangat penting untuk mengidentifikasi tren penelitian, tema kunci, dan jaringan kolaborasi, yang dapat memandu arah penelitian dan keputusan kebijakan di masa depan. Makalah ini menyajikan analisis bibliometrik komprehensif tentang status terkini penelitian knowledge graph dalam keamanan siber, menyoroti tren signifikan dan klaster tematik. Analisis ini mengungkap minat yang tumbuh pesat dalam mengintegrasikan knowledge graph dengan machine learning dan teknik AI lanjutan, seperti deep learning dan neural network, untuk meningkatkan cyber threat intelligence dan strategi respons. Temuan kunci mencakup prominensi natural language processing, entity recognition, dan relation extraction sebagai metodologi kritis di bidang ini. Analisis evolusi tematik menunjukkan adopsi large language model (LLM) dan fokus yang berkelanjutan pada representasi pengetahuan terstruktur. Studi ini menegaskan potensi knowledge graph untuk meningkatkan keamanan siber melalui organisasi data, deteksi ancaman, dan ekstraksi intelijen yang lebih baik.

Inovasi

Analisis bibliometrik mengungkap minat yang tumbuh pesat dalam mengintegrasikan knowledge graph dengan machine learning dan teknik AI lanjutan, seperti deep learning dan neural network, untuk meningkatkan cyber threat intelligence dan strategi respons. Temuan kunci mencakup prominensi natural language processing, entity recognition, dan relation extraction sebagai metodologi kritis di bidang ini. Analisis evolusi tematik menunjukkan adopsi large language model (LLM) dan fokus yang berkelanjutan pada representasi pengetahuan terstruktur. Studi ini mengidentifikasi tren signifikan dan klaster tematik, menegaskan potensi knowledge graph untuk meningkatkan keamanan siber melalui organisasi data, deteksi ancaman, dan ekstraksi intelijen yang lebih baik.

Analisis bibliometrik di bidang keamanan siber dan Cyber Threat Intelligence (CTI) sangat penting untuk mengidentifikasi tren penelitian, tema kunci, dan jaringan kolaborasi, yang dapat memandu arah penelitian dan keputusan kebijakan di masa depan. Makalah ini menyajikan analisis bibliometrik komprehensif tentang status terkini penelitian knowledge graph dalam keamanan siber, menyoroti tren signifikan dan klaster tematik. Analisis ini mengungkap minat yang tumbuh pesat dalam mengintegrasikan knowledge graph dengan machine learning dan teknik AI lanjutan, seperti deep learning dan neural network, untuk meningkatkan cyber threat intelligence dan strategi respons. Temuan kunci mencakup prominensi natural language processing, entity recognition, dan relation extraction sebagai metodologi kritis di bidang ini. Analisis evolusi tematik menunjukkan adopsi large language model (LLM) dan fokus yang berkelanjutan pada representasi pengetahuan terstruktur. Studi ini menegaskan potensi knowledge graph untuk meningkatkan keamanan siber melalui organisasi data, deteksi ancaman, dan ekstraksi intelijen yang lebih baik.

Penulis melakukan analisis bibliometrik terhadap lanskap penelitian knowledge graph dalam keamanan siber dan CTI. Metodologi ini kemungkinan melibatkan kueri basis data ilmiah, ekstraksi publikasi relevan, dan penerapan teknik bibliometrik seperti analisis ko-okurensi, klaster tematik, dan deteksi tren. Analisis berfokus pada identifikasi tema kunci, jaringan kolaborasi, dan evolusi topik penelitian dari waktu ke waktu. Detail spesifik tentang dataset, kueri pencarian, dan alat analitis tidak disediakan dalam abstrak, tetapi pendekatannya selaras dengan praktik bibliometrik standar. Studi ini menekankan integrasi knowledge graph dengan machine learning dan teknik AI, serta peran natural language processing, entity recognition, dan relation extraction sebagai metodologi kritis.

Mengapa penting

Temuan ini menyoroti konvergensi yang meningkat antara knowledge graph dengan AI dan machine learning, khususnya deep learning dan neural network, untuk meningkatkan CTI dan strategi respons. Prominensi natural language processing, entity recognition, dan relation extraction menunjukkan fokus metodologis pada ekstraksi pengetahuan terstruktur dari data ancaman tak terstruktur. Adopsi large language model (LLM) menunjukkan pergeseran menuju representasi yang lebih maju dan sadar konteks. Fokus yang berkelanjutan pada representasi pengetahuan terstruktur menegaskan pentingnya ontologi dan model berbasis graf dalam keamanan siber. Implikasi studi ini memandu arah penelitian dan keputusan kebijakan di masa depan, menekankan perlunya kolaborasi interdisipliner dan pengembangan kerangka kerja knowledge graph yang tangguh dan skalabel untuk keamanan siber. Potensi knowledge graph untuk meningkatkan organisasi data, deteksi ancaman, dan ekstraksi intelijen sangat signifikan, tetapi tantangan seperti kualitas data, skalabilitas, dan pemrosesan waktu nyata masih tetap ada.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…