L'adoption croissante du cloud computing (CC) a introduit d'importantes préoccupations en matière de sécurité et de confidentialité, nécessitant des solutions intelligentes et adaptatives. Cette revue explore l'application des algorithmes d'apprentissage automatique (AA) — supervisés et non supervisés — pour relever ces défis dans les environnements cloud. Un total de 87 études évaluées par des pairs publiées entre 2014 et 2025 a été analysé pour évaluer l'efficacité de diverses techniques d'AA. Les algorithmes d'apprentissage supervisé (AS) tels que les réseaux de neurones artificiels (RNA), les machines à vecteurs de support (MVS), les k-plus proches voisins (K-NN), Naive Bayes et les arbres décisionnels C4.5 sont examinés pour leur efficacité dans la détection d'intrusions, la classification d'anomalies et l'atténuation des menaces. Parallèlement, les algorithmes d'apprentissage non supervisé (ANS), y compris les réseaux neuronaux non supervisés (RNN), le clustering K-Means et la décomposition en valeurs singulières (DVS), sont analysés pour leur capacité à détecter des menaces inconnues et à extraire des motifs latents à partir de données non labellisées. Les tendances clés révèlent une préférence croissante pour les modèles hybrides, la précision supérieure de l'apprentissage profond dans la détection d'anomalies et l'utilisation émergente de cadres sensibles au contexte. La revue présente une analyse comparative de ces approches, mettant en lumière leurs avantages, limites et scénarios d'application en matière de sécurité cloud. Des pistes de recherche futures sont proposées, mettant l'accent sur les modèles d'apprentissage hybrides, les ensembles de données améliorés et les cadres de sécurité sensibles au contexte. Les résultats soulignent le potentiel transformateur de l'AA dans le renforcement des infrastructures cloud contre les menaces cybernétiques évolutives.
Mircea Ţălu (Ven,) a étudié cette question.