该论文针对AWS云环境中存在的一个结构性安全缺陷：一旦凭证通过认证，其会话在整个生命周期内通常被无条件信任，这导致凭证一旦泄露，攻击者即可持久利用。为此，作者提出了一种可解释的适应性零信任框架（EAZTF），作为云原生安全层，在整个会话过程中持续重新评估每次API操作的合法性。EAZTF结合了隔离森林（Isolation Forest）和XGBoost两种机器学习模型，实时分析从CloudTrail和IAM中提取的8个行为特征，计算信任风险评分（TRS），并据此决定会话是继续、需要升级MFA还是被限制。每个决策均辅以SHAP或LIME解释，生成人类可读的审计记录，满足安全分析与合规要求。框架评估涵盖四种对抗性逃避策略：凭证窃取、行为模仿、API速率逃避和权限提升。在包含8500条记录的合成CloudTrail数据集上，隔离森林达到了94.4%的精确率、91.2%的召回率和0.928的F1分数。在四个对抗场景中，平均检测率为91.0%，其中行为模仿最难检测，检测率为83.9%。SHAP分析显示，IP信誉、登录时间偏差和API调用速度是三个最主要的决策特征。基于NIST SP 800-207的结构化自评估中，EAZTF获得93%的平均合规分数，而传统边界基线仅为38%。平均检测时间从数小时缩短至不到一分钟。由于实验使用合成数据，结果应被视为指示性而非经过验证的生产性能。该研究为云原生零信任架构提供了可解释、可审计的机器学习实现思路，适合关注云安全、零信任和对抗性机器学习的研究人员与安全架构师阅读。