实现机密计算：针对大数据分析和人工智能的安全云架构
云计算是一种分布式计算方法，将巨大的数据计算和处理程序转化为无数的小程序，通过由多个服务器组成的系统来处理和分析这些小程序以获得结果并返回给用户。本报告探讨了云计算与金融信息处理的交叉点，识别了金融机构在采用云技术时所面临的风险和挑战，并讨论了提高数据处理效率和准确性的智能解决方案的需求，同时解决了安全和隐私问题。基于监管框架，报告提出了减轻金融行业云计算带来的集中风险的政策建议。通过将智能预测和评估技术与云计算模型相结合，本研究旨在为金融数据处理和管理提供有效解决方案，促进该行业向数字化转型。
Apr, 2024
云计算正在革命性地改变 IT 资源交付给用户的方式，减少成本并简化基础设施。然而，伴随云计算的增长而来的安全风险包括可用性、完整性和机密性威胁。为了解决这些挑战，云服务提供商越来越多地使用机器学习来减少对人工干预的需求，以识别和解决安全问题。机器学习能够分析大量数据并进行高准确性预测，因此可以改变云服务提供商对待安全性的方式。本文将研究基于机器学习的云安全领域中的最新研究。我们将对一系列机器学习算法的特征和有效性进行探讨，重点介绍它们的特点和潜在限制。我们的目标是全面了解机器学习在云安全领域的现状，并揭示这个新兴领域所能带来的令人振奋的可能性。
Sep, 2023
云端或雾计算的机器学习服务面临多个安全挑战，安全保障基础的云端或雾服务至关重要，攻击这些服务将对机器学习应用造成重大影响。根据应用于云端或雾计算网络的人工智能应用需求的不同，产生不同的威胁或攻击可能性，因此对安全需求也不同。本文通过将服务移到网络边缘的方式使得对雾计算网络的责任更简单，但需要确保它们不受物理设备访问的威胁。最后我们总结了人工智能应用的特定信息安全要求。
Oct, 2023
介绍大数据科学中使用云计算作为一种实用且成本效益高的解决方案，着重分析软件堆栈的建设模块，为数据科学家提供大数据分析应用的普及服务，为该领域的最新发展和挑战提供各种见解。
Sep, 2017
云计算服务、安全漏洞、访问控制策略、PDDL 模型和亚马逊 AWS 云配置是本研究的五个关键词，该研究提出了一个通用框架来表达云系统中不同云对象之间的关系，以建立访问控制策略，并使用 PDDL 模型检测安全漏洞，从而测试 14 个真实的亚马逊 AWS 云配置中的安全性漏洞。
Feb, 2024
本文全面研究了利用云计算的可扩展和分布式人工智能框架以提高深度学习性能和效率的关键方面，包括数据存储和管理、优化策略、模型部署与服务等，并讨论了云计算人工智能的挑战、限制和未来研究方向。
Apr, 2023
云生态系统中的隐私和安全论文指出，解决机器学习模型引入的风险存在差距，通过调查 AIaaS 领域，提出了一种分类法来全面检查 ML 模型的创作者和消费者所面临的风险及其已知防御措施，为提供方和消费方提供了基础解决方案。
Jan, 2024
本文研究了云技术、机器学习和数据可视化方法的结合，展示了如何整合云服务、数据分析和机器学习技术以便检测和减少与现代基于云的基础设施相关的网络安全风险。通过应用机器学习监督分类器设计了一个基于著名的 UNSW-NB15 数据集的模型，预测网络行为指标，并展示了如何整合数据分析技术以可视化网络流量。
May, 2024