Wimi Hologram Cloud Inc. desarrolla DPCEngine, una densidad eficiente

WiMi Hologram Cloud Inc. anunció que desarrolló DPCEngine, un algoritmo eficiente de agrupación en clústeres de picos de densidad para mejorar el rendimiento de la evaluación de políticas. Reduce la complejidad de la evaluación de políticas al identificar la estructura de agrupación en los conjuntos de políticas. La estructura y el proceso algorítmico del DPCEngine de WiMi, que incluye pasos clave como el preprocesamiento de datos, agrupación de picos de densidad, coincidencia de estrategias y evaluación.

Para evaluar el rendimiento y la eficacia de DPCEngine, se realizaron experimentos utilizando un conjunto de datos real que contenía un conjunto grande y complejo de políticas. Este conjunto de datos contiene políticas de diferentes dominios y cubre una amplia gama de escenarios de control de acceso. Este conjunto de datos se divide en un conjunto de entrenamiento y un conjunto de prueba, donde el conjunto de entrenamiento se usa para construir el modelo de DPCEngine y el conjunto de prueba se usa para evaluar su desempeño.

Los investigadores de WiMi compararon DPCEngine con los métodos tradicionales de evaluación de políticas, incluidos los métodos basados ​​en búsqueda lineal y en estructura de árbol. Se evaluaron dos aspectos de las métricas de desempeño: el tiempo de evaluación de políticas y la precisión del emparejamiento. El tiempo de evaluación de políticas es el tiempo necesario para evaluar una solicitud de acceso, mientras que la precisión de la coincidencia es la coherencia entre los resultados de coincidencia de DPCEngine y los métodos tradicionales.

DPCEngine ofrece importantes ventajas de rendimiento en términos de tiempo de evaluación de políticas. En comparación con los métodos tradicionales, DPCEngine puede reducir significativamente el tiempo de evaluación de políticas, especialmente cuando el conjunto de políticas es grande y complejo. Esto se atribuye al algoritmo de agrupación basado en picos de densidad utilizado por DPCEngine, que puede agrupar el conjunto de políticas en subconjuntos más pequeños, reduciendo así el espacio de búsqueda para la evaluación.

Los resultados experimentales de DPCEngine de WiMi en términos de precisión de coincidencia muestran que existe un alto grado de coherencia entre los resultados de coincidencia de DPCEngine y los métodos tradicionales. Esto indica que DPCEngine no sacrifica la precisión al tiempo que mejora el rendimiento de la evaluación de estrategias. Además, llevó a cabo experimentos de escalabilidad para evaluar el rendimiento de DPCEngine en diferentes tamaños de conjuntos de políticas.

Los resultados muestran que DPCEngine puede hacer frente eficazmente a conjuntos de políticas a gran escala y tiene buena escalabilidad. DPCEngine de WiMi, un motor de evaluación de políticas basado en un algoritmo de agrupación en clústeres de densidad máxima, tiene tres funciones principales: preprocesamiento de conjuntos de políticas, conjuntos de políticas agrupadas y políticas coincidentes. El uso combinado de estas funciones puede mejorar significativamente la eficacia y precisión de la evaluación de la estrategia.

Preprocesamiento de los conjuntos de políticas: antes de la evaluación de la estrategia, DPCEngine prepara los datos preprocesando el conjunto de políticas para hacerlo más adecuado para la agrupación de picos de densidad. El proceso de preprocesamiento incluye pasos como la limpieza de datos, la extracción de características y la transformación de datos. Al limpiar los datos, se elimina la información de estrategia redundante, incompleta o incorrecta para garantizar la precisión y coherencia de los datos.

Evitar impacto negativo en los resultados de la evaluación. El proceso de extracción de características, por otro lado, extrae características clave del conjunto de políticas, como roles de usuario, tipos de recursos y privilegios de operación, para operaciones de agrupación posteriores. La transformación de datos convierte el conjunto de políticas en una representación de datos, como un vector o una matriz, adecuada para algoritmos de agrupamiento de densidad máxima para el análisis de agrupamiento.

Conjuntos de políticas agrupadas: DPCEngine utiliza el algoritmo DPC para realizar operaciones de agrupación en conjuntos de políticas. El algoritmo de agrupamiento de picos de densidad (DPCA) identifica la estructura de agrupamiento en un conjunto de estrategias mediante la evaluación de la densidad y la distancia entre estrategias. El algoritmo identifica los puntos pico en función de la densidad y la distancia entre estrategias y divide las estrategias entre los puntos pico en diferentes grupos.

Esto reduce el tiempo y la complejidad de la evaluación de políticas al agrupar un conjunto grande y complejo de políticas en subconjuntos más pequeños, donde cada grupo representa un conjunto de políticas con características y patrones de comportamiento similares. El resultado de un conjunto de políticas agrupadas es un conjunto de políticas con características y patrones de comportamiento similares, y este enfoque de conjunto de políticas agrupadas reduce el tiempo y la complejidad computacional de la evaluación de políticas y mejora el rendimiento y la eficiencia del sistema. Políticas de coincidencia: DPCEngine utiliza los resultados de la agrupación para la coincidencia de políticas.

Cuando llega una solicitud de acceso, DPCEngine la compara y la relaciona con grupos de políticas generados previamente. Al buscar las políticas más similares en cada clúster, DPCEngine puede determinar rápidamente el conjunto de políticas que coinciden con la solicitud de acceso. Este enfoque de coincidencia basado en agrupaciones puede acelerar significativamente la coincidencia de políticas y proporcionar resultados de coincidencia precisos.