Privacy-First security models for AI-integrated identity governance in multi-access cloud and edge environments
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.
Notice bibliographique
Résumé
The convergence of artificial intelligence (AI), multi-access edge computing (MEC), and cloud environments has transformed identity governance by enabling real-time decision-making and seamless access control across decentralized infrastructures. However, this evolution has also introduced complex challenges concerning data privacy, identity trust, and security. This review explores privacy-first security models that integrate AI for identity governance in hybrid cloud-edge architectures. It evaluates privacy-preserving techniques such as homomorphic encryption, federated learning, and zero-knowledge proofs, emphasizing their role in ensuring secure identity authentication, authorization, and auditability. The paper critically analyzes the limitations of conventional identity and access management (IAM) frameworks in dynamic, resource-constrained edge environments and proposes adaptive models that embed privacy by design. Furthermore, the review investigates the interplay between explainable AI (XAI) and policy enforcement for transparent and compliant identity governance. By synthesizing advancements in cryptographic methods, AI reasoning engines, and decentralized identity (DID) systems, the paper outlines a roadmap for building secure, scalable, and privacy-compliant identity infrastructures in the era of pervasive computing. Keywords: Privacy-Preserving Identity Governance, AI-Driven Access Control, Multi-Access Edge Computing (MEC). Federated Identity Management, Explainable AI (XAI), Zero-Knowledge Proofs.
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 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 | 0,009 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,011 |
| Science ouverte | 0,057 | 0,122 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle