Edge-to-Cloud DevSecOps Workflows: End-to-End Compliance Automation for Enterprise Data Engineering
Notice bibliographique
Résumé
Contemporary businesses are shifting more towards distributed edge-to-cloud architectures to satisfy the high scalability, real-time intelligence and secure operational continuity needs. But when data pipelines cut across infrastructures of a heterogeneous nature, the process of ensuring continuous security and regulatory compliance becomes very complex. The paper introduces a new Edge-to-Cloud DevSecOps model, which brings automated compliance enforcement as a part of enterprise data engineering processes. The proposed architecture integrates security-as-code, security-policy-driven orchestration, and continuous monitoring between stages of data ingestion, transformation, storage, and deployment. With the help of zero-trust and digital policy twins, as well as AI-based vulnerability analytics, the system imposes end-to-end controls, which meet the requirements of GDPR, HIPAA, PCI-DSS, and ISO 27001. Other features included in the framework are federated logging, secure CI/CD pipelines, and real-time threat response based on adaptive risk scoring. Multi-cloud edge experimental analysis shows a 42 percent decrease in compliance validation time, 36 percent enhancement of policy enforcement accuracy, and a big decrease in Mean Time to Remediation (MTTR). The solution under proposal enhances the governance, lowers the overheads of operations and quickens the provision of secure data-driven service in the enterprise settings. In general, this paper brings DevSecOps automation and resilient, compliant, and scalable edge-to-cloud data engineering.
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 | 0,004 | 0,006 |
| 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 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».