探索大语言模型在基于属性的访问控制策略 Mining 中的潜力

本文对大语言模型（LLM）执行自动化基于属性的访问控制（ABAC）策略矿工能力进行实证研究。虽然 ABAC 提供了细粒度、情境感知的访问管理，但随着访问策略数量和复杂度的增加，其制定和评估变得相当具有挑战性。为解决 synthesizing 简洁且准确的策略这一任务，我们评估了一些最先进的大语言模型的性能，具体包括 Google Gemini（Flash 和 Pro）和 OpenAI ChatGPT，作为潜在的策略矿工引擎。开发了一个用于生成随机化访问数据的实验框架，该框架的参数化由主体、客体和初始策略集的数量变化而决定。作为基准策略集，它们 govern 主体与客体之间的许可决策，作为比较的基准真相。每个由 LLM 生成的策略都使用标准性能指标对其进行基准策略的评估。结果表明，LLM 能够有效推断小规模情景下的紧凑且有效的 ABAC 策略。然而，随着系统规模的增加， characterized by 主体和客体数量的增加，LLM 输出的准确性和精确度下降，同时生成的策略规模显著增加，超出最优规模。这些发现既凸显了当前 LLM 架构在访问控制领域实现可扩展策略矿工的前景，也揭示了其局限性。未来工作将探索将提示优化与经典规则矿工算法结合的混合方法，以提高在复杂 ABAC 环境中的可扩展性和可解释性。