Model for Strengthening Network Security Through Intelligent Policy Automation and Compliance Systems
Notice bibliographique
Résumé
The rapid expansion of digital infrastructures and interconnected systems has intensified the demand for robust, adaptive, and intelligent network security mechanisms. Traditional security management approaches characterized by static rule sets, manual policy updates, and reactive incident responses are increasingly inadequate for addressing the complexity and dynamism of modern cyber threats. This study proposes a Model for Strengthening Network Security Through Intelligent Policy Automation and Compliance Systems, which integrates Artificial Intelligence (AI), Machine Learning (ML), and Software-Defined Networking (SDN) to create a proactive, self-adaptive security framework. The model automates policy enforcement, compliance verification, and threat mitigation through data-driven analytics and real-time decision-making. The proposed architecture employs a multi-layer design, consisting of a policy management layer for automated rule generation, an intelligence layer for anomaly detection and behavioral analysis, and a control layer that leverages SDN controllers for dynamic network configuration. By integrating ML algorithms with continuous monitoring systems, the framework enables context-aware security adaptation, ensuring that network defenses evolve in tandem with changing traffic patterns and threat landscapes. Furthermore, compliance with regulatory standards such as GDPR, ISO/IEC 27001, and NIST frameworks is maintained through automated auditing and policy validation mechanisms, reducing human error and ensuring consistent governance. Simulation and evaluation of the model demonstrate significant improvements in threat detection accuracy, response speed, and policy consistency compared to traditional rule-based systems. The framework’s intelligent automation minimizes manual intervention while enhancing transparency and accountability through explainable AI (XAI) mechanisms. This research contributes to the advancement of autonomous cybersecurity ecosystems, promoting resilience, scalability, and trust in digital enterprises. Future developments will explore federated learning, blockchain-based policy verification, and integration with quantum-safe security protocols to further strengthen adaptive, compliant, and intelligent network security management.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».