本文提出了一种基于约束编程和图表示学习的新型 IAM 框架，通过减少无关数据存储访问权限等优化 IAM 策略，并对 IAM 策略进行解释和分类，以减少安全攻击的影响。

May, 2022

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

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

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

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

通过使用混合加密，本研究涵盖了云基础设施中的所有安全问题和泄漏。

Apr, 2024

介绍了一种安全的云计算架构，描述了如何在保持数据、逻辑和计算在传输过程中的安全、使用和静止状态的情况下，实现工作流打包和调度。

May, 2023

ML 在安全性方面存在漏洞，提出威胁模型并对攻击进行分类，探究了模型准确性与抗敌对操作的关系。

Nov, 2016

本文介绍了一个完整的 PDDL 攻击模型表示，整合规划器到渗透测试工具中的实现，可以自动为渗透测试方案生成攻击路径，并通过对真实目标网络执行相应的操作来验证这些攻击，包括利用漏洞等。同时，作者提出一种从渗透测试工具中提取信息到规划领域的算法，并展示如何使用当前的规划器解决攻击图的可伸缩性问题。作者的解决方案的性能分析表明，该模型可扩展到中等规模网络和当前渗透测试工具中可用的操作数量。

Jun, 2013

提出使用深度学习方法从用户需求描述中主动发现可能的物理互规则相互作用的新框架，并利用 Transformer 模型从描述中生成触发 - 动作规则，通过自然语言处理工具发现两种类型的物理互规则漏洞并确定相应的环境通道，进一步提出一种方法来识别其中的隐藏物理互规则漏洞。在 27983 个 IFTTT 样式规则的实验中，Transformer 能够以 95.22% 的准确率从描述中提取触发 - 动作规则，同时在 60 个 SmartThings 官方物联网应用程序上验证了我们方法的有效性，并发现了 99 个可能的物理互规则漏洞。

Jun, 2024