MétaCan
Menu
Retour à la cohorte
Enregistrement W4391222116 · doi:10.9734/ajrcos/2024/v17i3423

AI for Identity and Access Management (IAM) in the Cloud: Exploring the Potential of Artificial Intelligence to Improve User Authentication, Authorization, and Access Control within Cloud-Based Systems

2024· article· en· W4391222116 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueAsian Journal of Research in Computer Science · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiquePrivacy-Preserving Technologies in Data
Établissements canadiensIndependent Electricity System Operator
Organismes subventionnairesnon disponible
Mots-clésAccess controlCloud computingIdentity managementAccess managementAuthentication (law)Identity (music)AuthorizationComputer securityComputer scienceComputer access controlComputer networkOperating system

Résumé

récupéré en direct d'OpenAlex

This comprehensive study explores the integration and effectiveness of Artificial Intelligence (AI) in Identity and Access Management (IAM) within cloud environments. It primarily focuses on how AI can enhance user authentication, authorization, and access control, addressing the challenges and possibilities in cloud computing. The study adopts a mixed-methods approach, employing both quantitative and qualitative analyses. A survey involving 582 cybersecurity experts provides insights into the current state and potential of AI in IAM, while multiple regression analysis examines the impact of various factors on system effectiveness. Four hypotheses are explored: the impact of hardware and software configurations on system accuracy (H1), the influence of computational environments on reliability (H2), the role of demographic factors in user acceptance (H3), and the effect of technological enhancements on system performance and acceptance (H4). Findings indicate significant correlations between these factors and the effectiveness of AI in IAM. Notably, hardware configurations and security concerns influence system accuracy; computational environment variations affect system reliability; demographic factors impact user acceptance; and enhancements such as user feedback, advancements in AI technology, continuous learning algorithms, and system transparency improve performance and acceptance. These insights underscore the need for advanced hardware, standardized software, user-centric design, and continuous improvement in AI technologies for effective IAM in cloud environments. The study provides actionable recommendations for cloud service providers and developers, emphasizing the importance of involving users in development processes, ensuring transparency, and adopting adaptive algorithms. Future research directions include longitudinal studies on the impact of technological advancements and exploring demographic-specific responses to AI-integrated IAM solutions.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCommunication savante, Science ouverte
Catégories consensuellesScience ouverte
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,902
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0160,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0000,001
Communication savante0,0040,004
Science ouverte0,0230,013
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,140
Tête enseignante GPT0,422
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle