PAMMELA：基于机器学习的策略管理方法
密码学与安全
2021-11-16 v1 机器学习
摘要
近年来，基于属性的访问控制（ABAC）在动态与协作环境中实施访问控制已变得相当流行且有效。ABAC 的实现需要创建一组基于属性的规则，这些规则共同构成一项策略。从头设计 ABAC 策略需要系统管理员付出大量精力。此外，组织变更可能需要在已部署的策略中加入新规则。在此情况下，重新挖掘整个 ABAC 策略将耗费大量时间与管理工作。相反，更好地做法是增量式扩充策略。考虑到减少管理开销的这些方面，本文提出 PAMMELA，一种基于机器学习的策略管理方法（Policy Administration Methodology using Machine Learning），以协助系统管理员创建新的 ABAC 策略并扩充现有策略。PAMMELA 可通过学习当前在类似组织中实施的策略规则，为某组织生成新策略。对于策略扩充，PAMMELA 能基于从现有规则中收集的知识推断新规则。实验结果表明，我们所提方法在各类机器学习评估指标及执行时间方面均提供了相当良好的性能。
引用
@article{arxiv.2111.07060,
title = {PAMMELA: Policy Administration Methodology using Machine Learning},
author = {Varun Gumma and Barsha Mitra and Soumyadeep Dey and Pratik Shashikantbhai Patel and Sourabh Suman and Saptarshi Das},
journal= {arXiv preprint arXiv:2111.07060},
year = {2021}
}
备注
This work is under progress