基于最大双部子枚举的自下而上角色最小化

自下而上角色挖掘是指在给定用户集合及这些用户所拥有的权限集合作为输入的情况下，确定一组角色的任务。该问题在研究文献中以及实际应用中都已广泛认知为信息安全中的重要问题。一个自然目标已在 prior work 中得到探索，即角色集合的大小应尽可能最小。我们针对实际输入同时 Reconciling foundations（即该问题为 \cnph）提出了解决方案。首先我们指出，prior work 中利用充分条件实现高效算法的做法，虽然是有价值的第一步，却无法扩展到更近期提出的基准输入。我们提出了一种新技术：最大双部子枚举。我们指出，最大双部子数量提供了衡量输入难易程度的自然度量。我们在两种不同方式下利用最大双部子枚举。我们的第一种方法可为超过半数基准输入提供精确结果。另一种方法用于处理难解实例；在该方法中，我们识别并采用对应大型最大双部子的角色。我们实现了所有算法并进行了大规模实证评估，结果表明我们的方法具有前景。我们的代码已以开源形式公开。