Advances and Challenges in Cloud Data Storage Security: A Systematic Review
Notice bibliographique
Résumé
Cloud computing has significantly changed how data is stored by offering enhanced flexibility and scalability.However, its rapid growth has introduced serious security challenges, particularly concerning data integrity, confidentiality, and availability.This systematic review investigates recent research in cloud data storage security, focusing on research published between 2020 and 2024.A structured selection process led to the inclusion of 77 relevant studies that addressed key research questions.The review synthesizes current knowledge, identifies ongoing challenges, and evaluates six main security techniques, including, encryption, access control, data loss prevention (DLP), blockchain, machine learning, and data redundancy.Each method is analyzed based on its principles, application context, advantages, and limitations, along with a comparative assessment.Encryption is widely adopted and offers strong confidentiality but may reduce system performance.Access control enables accurate access management but is often complex to implement.DLP helps prevent sensitive data leaks but can result false positives.Blockchain improves transparency and trust but introduces latency and integration challenges.Machine learning enhances anomaly detection but depends on large datasets and computational resources.Data redundancy supports data availability but increases storage costs.The findings show that relying on a single method is not sufficient to ensure a complete data protection in cloud environments.A multi-layered approach, integrating various techniques, is necessary, particularly with the increased reliance on cloud services due to the expansion of the Internet of Things and the impact of the COVID-19 pandemic.This review contributes to the field by offering a comprehensive comparison of modern security models and provides direction for future research.
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.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».