Application of Machine Learning to Determine Cybersecurity Compliance: Analyze the Risk of Privacy Violations in Distributed Systems
Notice bibliographique
Résumé
Distributed computing environments grow exponentially – encompassing cloud, edge, and IoT ecosystems. This trend leads to near-unbeatable complexity in cybersecurity compliance management. Organizations deploying distributed systems around cloud, edge, and IoT for scalability and real-time operons find it more and more complicated to guarantee that systems comply with privacy regulations, including GDPR, HIPAA, CCPA, and CL In distributed architectures, manual auditing, and other rule-based options fell short on detecting emerging threats or concealed risks, as well as delicate deviations from a policy across a vast number of nodes. ML-based techniques could automate and significantly improve the process of ensuring cybersecurity compliance and analyzing privacy risks in completive distributed mechanisms. The approach described in this paper relies upon supervised and unsupervised ML models considering patterns of system operations, user accesses, and configurations across distributed environments. Thorough registered training on compliance, the models classify potential privacy violatio9ns, measure the alignment with compliance policies, and generate futuristic predictions on the matter of non-compliance. Functionalities like dynamic profiling, real-time correlations, and anomaly detection assess a system’s compliance posture, prioritizing most relevant and severe risks. The explainability modules have been included, allowing interpreting system decisions and facilitating human-in-the-loop decisions. The developed approach has been assessed in experiments with hybrid datasets containing synthetic and real-life logs from the multicloud scenarios. According to the results, the approach demonstrates high accuracy of classification, robust anomaly detection, and the possibility of early risk detection, largely exceeding the performance of traditional rule-based systems. The system also required minor adjustments to comply with novel rules, making it compatible for organizations facing dynamic legislative environments. All-in-all, this paper confirms the hypothesis that compliant analysis powered by ML can bridge the gap between static policy documents and dynamic distributed architectures. Making data produce actionable insights on compliance not only improves cybersecurity postures but also allows stakeholders to report to regulators and control risks more efficiently. The research provided a basis for future work in autonomous compliance systems development and privacy-aware AI governance frameworks.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».