論文の概要: PAMMELA: Policy Administration Methodology using Machine Learning

• arxiv url: http://arxiv.org/abs/2111.07060v1
• Date: Sat, 13 Nov 2021 07:05:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 09:48:16.761048
• Title: PAMMELA: Policy Administration Methodology using Machine Learning
• Title（参考訳）: PAMMELA:機械学習を用いた政策管理手法
• Authors: Varun Gumma, Barsha Mitra, Soumyadeep Dey, Pratik Shashikantbhai Patel, Sourabh Suman, Saptarshi Das
• Abstract要約: PAMMELAは機械学習を利用した政策管理手法である。 同様の組織で現在実施されているポリシーのルールを学習することで、新しいポリシーを生成する。 PAMMELAは、政策強化のために、既存のルールから集めた知識に基づいて、新しいルールを推測することができる。
• 参考スコア（独自算出の注目度）: 1.1744028458220428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, Attribute-Based Access Control (ABAC) has become quite popular and effective for enforcing access control in dynamic and collaborative environments. Implementation of ABAC requires the creation of a set of attribute-based rules which cumulatively form a policy. Designing an ABAC policy ab initio demands a substantial amount of effort from the system administrator. Moreover, organizational changes may necessitate the inclusion of new rules in an already deployed policy. In such a case, re-mining the entire ABAC policy will require a considerable amount of time and administrative effort. Instead, it is better to incrementally augment the policy. Keeping these aspects of reducing administrative overhead in mind, in this paper, we propose PAMMELA, a Policy Administration Methodology using Machine Learning to help system administrators in creating new ABAC policies as well as augmenting existing ones. PAMMELA can generate a new policy for an organization by learning the rules of a policy currently enforced in a similar organization. For policy augmentation, PAMMELA can infer new rules based on the knowledge gathered from the existing rules. Experimental results show that our proposed approach provides a reasonably good performance in terms of the various machine learning evaluation metrics as well as execution time.
• Abstract（参考訳）: 近年、ABAC(Attribute-Based Access Control)は、動的かつ協調的な環境におけるアクセス制御の強化に非常に人気があり、効果的になっている。 ABACの実装には、累積的にポリシーを形成する属性ベースのルールセットを作成する必要がある。 abacポリシーの設計 ab initioは、システム管理者にかなりの労力を要求する。 さらに、組織的な変更は、すでにデプロイされたポリシーに新しいルールを含める必要があるかもしれない。 この場合、ABAC政策全体を見直しるには、かなりの時間と管理の努力が必要である。 代わりに、ポリシーを漸進的に強化する方がよい。 本稿では,機械学習を用いた政策管理手法であるPAMMELAを提案し,システム管理者が新たなABACポリシーの作成や既存ポリシーの強化を支援する。 PAMMELAは、現在同様の組織で実施されているポリシーのルールを学ぶことによって、組織のための新しいポリシーを生成することができる。 政策強化のために、PAMMELAは既存のルールから集めた知識に基づいて新しいルールを推測することができる。 実験の結果,提案手法は,様々な機械学習評価指標と実行時間の観点から,合理的に優れた性能を提供することがわかった。

関連論文リスト

• Quantifying Policy Administration Cost in an Active Learning Framework [4.106460421493345]
  本稿では,政策管理のための計算モデルを提案する。 適切に設計されたアクセス制御モデルは、組織の規模が大きくなると管理コストが禁じられないように、このような変化を予測しなければならない。
  論文  参考訳（メタデータ） (2023-12-29T22:12:53Z)
• IOB: Integrating Optimization Transfer and Behavior Transfer for Multi-Policy Reuse [50.90781542323258]
  強化学習(RL)エージェントは、ソースポリシーからの知識を関連する目標タスクに転送することができる。 従来手法では,階層的なポリシやソースポリシの値関数の見積など,新たなコンポーネントが導入されていた。 本稿では,余分なコンポーネントを訓練せずにソースポリシーを選択する新しい転送RL法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T09:22:35Z)
• Diverse Policy Optimization for Structured Action Space [59.361076277997704]
  エネルギーベースモデル(EBM)として構造化された行動空間における政策をモデル化するための多元的政策最適化(DPO)を提案する。 新しい強力な生成モデルであるGFlowNetは、効率よく多様なEMMベースのポリシーサンプリングとして導入されている。 ATSCとBattleベンチマークの実験では、DPOが驚くほど多様なポリシーを効率的に発見できることが示されている。
  論文  参考訳（メタデータ） (2023-02-23T10:48:09Z)
• Constructing a Good Behavior Basis for Transfer using Generalized Policy Updates [63.58053355357644]
  そこで我々は,優れた政策集合を学習する問題を考察し,組み合わせることで,目に見えない多種多様な強化学習タスクを解くことができることを示した。 理論的には、独立したポリシーのセットと呼ぶ、特定の多様なポリシーのセットにアクセスできることによって、ハイレベルなパフォーマンスを即時に達成できることが示される。
  論文  参考訳（メタデータ） (2021-12-30T12:20:46Z)
• Cautious Policy Programming: Exploiting KL Regularization in Monotonic Policy Improvement for Reinforcement Learning [11.82492300303637]
  本稿では,学習中の単調な政策改善を確実にする,新しい値ベース強化学習(RL)アルゴリズムを提案する。 提案アルゴリズムは,古典的操作問題と高次元アタリゲームの両方において,性能と安定性を両立させることができることを示す。
  論文  参考訳（メタデータ） (2021-07-13T01:03:10Z)
• Goal-Conditioned Reinforcement Learning with Imagined Subgoals [89.67840168694259]
  我々は、複雑なタスクの学習を容易にするために、想像上のサブゴールをポリシー学習に組み込むことを提案する。 想像上のサブゴールは、政策と批判を同時に訓練する独立したハイレベルな政策によって予測される。 複雑なロボットナビゲーションと操作タスクに対する我々のアプローチを評価し、既存の手法よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-01T15:30:59Z)
• Adaptive ABAC Policy Learning: A Reinforcement Learning Approach [2.5997274006052544]
  承認管理作業を自動化するための適応型ABACポリシー学習手法を提案する。 特に,承認エンジンがフィードバック制御ループを介してABACモデルを適応するコンテキスト的盗聴システムを提案する。 実例として,ホームIoT環境のための適応型ABACポリシー学習モデルの開発に重点を置いている。
  論文  参考訳（メタデータ） (2021-05-18T15:18:02Z)
• Imitation Learning from MPC for Quadrupedal Multi-Gait Control [63.617157490920505]
  本稿では,歩行ロボットの複数の歩行を模倣する単一ポリシーを学習する学習アルゴリズムを提案する。 モデル予測制御によって導かれる模擬学習のアプローチであるMPC-Netを使用し、拡張します。 ハードウェアに対する我々のアプローチを検証し、学習したポリシーが教師に取って代わって複数の歩留まりを制御できることを示します。
  論文  参考訳（メタデータ） (2021-03-26T08:48:53Z)
• An Automatic Attribute Based Access Control Policy Extraction from Access Logs [5.142415132534397]
  属性ベースのアクセス制御(ABAC)モデルは、複雑なシステムや動的システムの認証要求に対処するための、より柔軟なアプローチを提供する。 本稿では,システムへのアクセスログからABACポリシールールを自動的に学習し,ポリシー開発プロセスを簡素化する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-16T15:08:54Z)
• BRPO: Batch Residual Policy Optimization [79.53696635382592]
  バッチ強化学習では、学習したポリシーが行動(データ生成)ポリシーに近いように制約されることがよくある。 本稿では,学習方針の逸脱が国家の行動に依存した残留政策を提案する。 我々は,ポリシーと許容偏差の両方を学習し,政策性能の低い境界を共同で最大化する新しいRL法BRPOを導出する。
  論文  参考訳（メタデータ） (2020-02-08T01:59:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。