Wimi Hologram Cloud Inc. sviluppa DPCEngine, una densità efficiente

WiMi Hologram Cloud Inc. ha annunciato di aver sviluppato DPCEngine, un efficiente algoritmo di clustering dei picchi di densità per migliorare le prestazioni della valutazione delle politiche. Riduce la complessità della valutazione delle politiche identificando la struttura di clustering nei set di politiche. La struttura e il processo algoritmico del DPCEngine di WiMi, che comprende passaggi chiave come la pre-elaborazione dei dati, il clustering dei picchi di densità, la corrispondenza e la valutazione della strategia.

Per valutare le prestazioni e l'efficacia di DPCEngine, sono stati condotti esperimenti utilizzando un set di dati reale contenente un insieme ampio e complesso di policy. Questo set di dati contiene policy di diversi domini e copre un'ampia gamma di scenari di controllo degli accessi. Questo set di dati è diviso in un set di training e un set di test, dove il set di training viene utilizzato per costruire il modello di DPCEngine e il set di test viene utilizzato per valutarne le prestazioni.

I ricercatori di WiMi hanno confrontato DPCEngine con i metodi tradizionali di valutazione delle politiche, compresi i metodi basati sulla ricerca lineare e sulla struttura ad albero. Sono stati valutati due aspetti dei parametri di prestazione: tempo di valutazione della politica e accuratezza della corrispondenza. Il tempo di valutazione della policy è il tempo necessario per valutare una richiesta di accesso, mentre l'accuratezza della corrispondenza è la coerenza tra i risultati della corrispondenza di DPCEngine e i metodi tradizionali.

DPCEngine offre vantaggi prestazionali significativi in ​​termini di tempo di valutazione delle policy. Rispetto ai metodi tradizionali, DPCEngine è in grado di ridurre significativamente i tempi di valutazione delle politiche, soprattutto quando l’insieme delle politiche è ampio e complesso. Ciò è attribuito all’algoritmo di clustering basato sul picco di densità utilizzato da DPCEngine, che è in grado di raggruppare il set di politiche in sottoinsiemi più piccoli, riducendo così lo spazio di ricerca per la valutazione.

I risultati sperimentali di DPCEngine di WiMi in termini di precisione di corrispondenza mostrano che esiste un elevato grado di coerenza tra i risultati di corrispondenza di DPCEngine e i metodi tradizionali. Ciò indica che DPCEngine non sacrifica l'accuratezza migliorando al contempo le prestazioni della valutazione della strategia. Inoltre, ha condotto esperimenti di scalabilità per valutare le prestazioni di DPCEngine in diverse dimensioni di insiemi di politiche.

I risultati mostrano che DPCEngine può far fronte efficacemente a set di politiche su larga scala e ha una buona scalabilità. DPCEngine di WiMi, un motore di valutazione delle policy basato su un algoritmo di clustering con picco di densità, ha tre funzioni principali: set di policy di preelaborazione, set di policy in cluster e policy di corrispondenza. L'uso combinato di queste funzioni può migliorare significativamente l'efficacia e l'accuratezza della valutazione della strategia.

Preelaborazione dei set di politiche: prima della valutazione della strategia, DPCEngine prepara i dati preelaborando il set di politiche per renderlo più adatto al clustering dei picchi di densità. Il processo di preelaborazione include passaggi come la pulizia dei dati, l'estrazione delle funzionalità e la trasformazione dei dati. Pulendo i dati, le informazioni strategiche ridondanti, incomplete o errate vengono rimosse per garantire l'accuratezza e la coerenza dei dati.

Evitare un impatto negativo sui risultati della valutazione. Il processo di estrazione delle funzionalità, d'altro canto, estrae le funzionalità chiave dal set di politiche, come ruoli utente, tipi di risorse e privilegi operativi, per le successive operazioni di clustering. La trasformazione dei dati converte il set di politiche in una rappresentazione dei dati, come un vettore o una matrice, adatta per algoritmi di clustering con picco di densità per l'analisi di clustering.

Set di policy in cluster: DPCEngine utilizza l'algoritmo DPC per eseguire operazioni di clustering su set di policy. Il Density Peak Clustering Algorithm (DPCA) identifica la struttura di clustering in una serie di strategie valutando la densità e la distanza tra le strategie. L'algoritmo identifica i punti di picco in base alla densità e alla distanza tra le strategie e divide le strategie tra i punti di picco in diversi cluster.

Ciò riduce il tempo e la complessità della valutazione delle politiche raggruppando un insieme ampio e complesso di politiche in sottoinsiemi più piccoli, dove ciascun gruppo rappresenta un insieme di politiche con caratteristiche e modelli comportamentali simili. Il risultato di un insieme di politiche in cluster è un insieme di cluster di politiche con caratteristiche e modelli comportamentali simili, e questo approccio all’insieme di politiche in cluster riduce il tempo e la complessità computazionale della valutazione delle politiche e migliora le prestazioni e l’efficienza del sistema. Politiche di corrispondenza: DPCEngine utilizza i risultati del clustering per la corrispondenza delle politiche.