Privacy-First security models for AI-integrated identity governance in multi-access cloud and edge environments
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,006 | 0,015 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».