角色挖掘中的双目标优化

角色挖掘是一种用于从现有策略中导出基于角色的授权策略的技术。给定一组用户 $U$、一组权限 $P$ 以及一个用户-权限授权关系 $\mathit{UPA}\subseteq U\times P$，角色挖掘算法旨在计算一组角色 $R$、一个用户-角色授权关系 $\mathit{UA}\subseteq U\times R$ 和一个权限-角色授权关系 $\mathit{PA}\subseteq R\times P$，使得 $\mathit{UA}$ 和 $\mathit{PA}$ 的组合在某种适当的意义上接近 $\mathit{UPA}$。在本文中，我们首先引入了广义噪声角色挖掘问题——即最小噪声角色挖掘问题的推广——我们认为该问题具有相当大的实际相关性。扩展了 Fomin 等人的工作，我们证明了 GNRM 是固定参数可解的，参数为 $r + k$，其中 $r$ 是解中的角色数量，$k$ 是 $\mathit{UPA}$ 与由 $\mathit{UA}$ 和 $\mathit{PA}$ 组合定义的关系之间的差异数量。我们进一步引入了 GNRM 的双目标优化变体，其中我们希望在满足上限 $r\le \bar{r}$ 和 $k\le \bar{k}$（其中 $\bar{r}$ 和 $\bar{k}$ 为常数）的条件下最小化 $r$ 和 $k$。我们证明了该双目标优化问题的 Pareto 前沿可以在以 $\bar{r}+\bar{k}$ 为参数的固定参数可解时间内计算得出。随后，我们报告了使用整数规划求解器 Gurobi 求解 BO-GNRM 实例的实验工作。我们的主要发现是： 我们获得了强有力的证据表明 Gurobi 的性能是固定参数可解的； 基于我们在三个著名的真实世界授权策略背景下的实验，我们的结果表明我们的技术在实际角色挖掘中可能是有用的。