MAIDS：基于恶意代理识别的数据安全模型

随着云计算的快速发展，大多数组织将其数据和应用迁移到云环境中进行存储、计算和共享。在存储和跨参与方的数据共享过程中，恶意代理可能获得对外包数据的访问权限。恶意代理是指故意违反数据安全的实体。此类获取的信息可能被滥用或泄露给未经授权的方。因此，数据保护和恶意代理预测已成为亟需妥善解决的关键任务。为此，本文提出了一种基于恶意代理识别的数据安全（MAIDS）模型，该模型利用 XGBoost 机器学习分类算法来保障云系统中不同参与方之间的数据分配和通信。该模型探索并计算与在线数据通信或交易相关的多个安全参数。相应地，构建了一个以 XGBoost 分类器为基础的恶意代理预测（XC-MAP）单元的安全知识数据库。与现有方法不同，后者仅在数据泄露后才识别恶意代理，而 MAIDS 通过检查其数据访问资格主动识别恶意代理。如此一来，该模型通过仅授予基于代理行为评估和预测恶意代理前授予数据访问权限的方式，为从有意或无意的 breach 中保护关键数据提供了综合解决方案。