Wimi Hologram Cloud Inc. разрабатывает DPCEngine, эффективную плотность

Компания WiMi Hologram Cloud Inc. объявила о разработке DPCEngine, эффективного алгоритма кластеризации пиковой плотности для повышения производительности оценки политики. Это снижает сложность оценки политики за счет определения структуры кластеризации в наборах политик. Структура и алгоритмический процесс WiMi's DPCEngine, который включает в себя такие ключевые этапы, как предварительная обработка данных, кластеризация пиков плотности, сопоставление и оценка стратегии.

Чтобы оценить производительность и эффективность DPCEngine, были проведены эксперименты с использованием реального набора данных, содержащего большой и сложный набор политик. Этот набор данных содержит политики из разных доменов и охватывает широкий спектр сценариев контроля доступа. Этот набор данных разделен на обучающий набор и тестовый набор, где обучающий набор используется для построения модели DPCEngine, а тестовый набор используется для оценки его производительности.

Исследователи WiMi сравнили DPCEngine с традиционными методами оценки политики, включая методы на основе линейного поиска и древовидной структуры. Были оценены два аспекта показателей эффективности: время оценки политики и точность сопоставления. Время оценки политики — это время, необходимое для оценки запроса на доступ, а точность сопоставления — это согласованность между результатами сопоставления DPCEngine и традиционными методами.

DPCEngine предлагает значительные преимущества в производительности с точки зрения времени оценки политики. По сравнению с традиционными методами, DPCEngine способен значительно сократить время оценки политики, особенно если набор политик большой и сложный. Это связано с алгоритмом кластеризации на основе пиковой плотности, используемым DPCEngine, который способен кластеризовать набор политик на более мелкие подмножества, тем самым уменьшая пространство поиска для оценки.

Результаты экспериментов DPCEngine от WiMi с точки зрения точности сопоставления показывают, что существует высокая степень согласованности между результатами сопоставления DPCEngine и традиционными методами. Это указывает на то, что DPCEngine не жертвует точностью, улучшая производительность оценки стратегии. Кроме того, были проведены эксперименты по масштабируемости для оценки производительности DPCEngine при различных размерах наборов политик.

Результаты показывают, что DPCEngine может эффективно справляться с крупномасштабными наборами политик и обладает хорошей масштабируемостью. DPCEngine от WiMi, механизм оценки политики, основанный на алгоритме кластеризации пиковой плотности, имеет три основные функции: предварительная обработка наборов политик, кластеризованные наборы политик и сопоставление политик. Совместное использование этих функций может значительно повысить эффективность и точность оценки стратегии.

Предварительная обработка наборов политик: перед оценкой стратегии DPCEngine подготавливает данные путем предварительной обработки набора политик, чтобы сделать их более подходящими для кластеризации пиков плотности. Процесс предварительной обработки включает в себя такие этапы, как очистка данных, извлечение признаков и преобразование данных. При очистке данных удаляется избыточная, неполная или неправильная информация о стратегии, чтобы обеспечить точность и последовательность данных.

Избегайте негативного влияния на результаты оценки. С другой стороны, процесс извлечения функций извлекает ключевые функции из набора политик, такие как роли пользователей, типы ресурсов и привилегии операций, для последующих операций кластеризации. Преобразование данных преобразует набор политик в представление данных, например вектор или матрицу, подходящее для алгоритмов кластеризации с пиковой плотностью для кластерного анализа.

Кластеризованные наборы политик: DPCEngine использует алгоритм DPC для выполнения операций кластеризации над наборами политик. Алгоритм кластеризации пика плотности (DPCA) определяет структуру кластеризации в наборе стратегий путем оценки плотности и расстояния между стратегиями. Алгоритм определяет пиковые точки на основе плотности и расстояния между стратегиями и делит стратегии между пиковыми точками на разные кластеры.

Это сокращает время и сложность оценки политики за счет группировки большого и сложного набора политик в более мелкие подмножества, где каждый кластер представляет собой набор политик со схожими характеристиками и моделями поведения. Результатом кластерного набора политик является набор кластеров политик со схожими характеристиками и моделями поведения, и этот подход с кластерным набором политик сокращает время и вычислительную сложность оценки политики, а также повышает производительность и эффективность системы. Сопоставление политик: DPCEngine использует результаты кластеризации для сопоставления политик.