信息物理上下文中风险感知的细粒度访问控制

用户对资源的访问可能仅能在特定条件与上下文下被授予，在信息物理环境中或许尤为如此。遗憾的是，在动态环境中创建与修改上下文敏感的访问控制方案，给授权上下文的管理带来了持续挑战。本文提出 RASA，一种利用无监督机器学习自动推断基于风险的授权决策边界的上下文敏感访问授权方法与机制。我们在医疗使用环境中探究 RASA，其中信息物理条件为保护私人健康信息带来了特定上下文的风险。风险等级与安全策略推荐的访问控制决策相关联。引入一种耦合方法，利用共存的频率与持续时间追踪上下文中对象的共存情况，并将其聚类以揭示具有共同风险等级的动作集合；这些用于创建授权决策边界。此外，我们提出一种评估风险等级并依据相应风险等级对聚类进行标注的方法。我们将 RASA 生成策略的潜力与启发式基于规则的策略进行了对比评估。通过采用三种不同耦合特征（基于频率、基于持续时间及组合特征），无监督方法的决策与策略决策的一致性超过 99%。