論文の概要: Toward Deep Learning Based Access Control

• arxiv url: http://arxiv.org/abs/2203.15124v1
• Date: Mon, 28 Mar 2022 22:05:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 16:30:44.643302
• Title: Toward Deep Learning Based Access Control
• Title（参考訳）: 深層学習に基づくアクセス制御に向けて
• Authors: Mohammad Nur Nobi, Ram Krishnan, Yufei Huang, Mehrnoosh Shakarami, Ravi Sandhu
• Abstract要約: 本稿では,ディープラーニング技術の大幅な進歩を活用して,DLBAC(Deep Learning Based Access Control)を提案する。 DLBACは補完し、長期的には、従来のアクセス制御モデルをニューラルネットワークで置き換える可能性さえある。 提案手法は,精度,一般化,説明可能性に関する問題に対処することで実現可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.2511618464944547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A common trait of current access control approaches is the challenging need to engineer abstract and intuitive access control models. This entails designing access control information in the form of roles (RBAC), attributes (ABAC), or relationships (ReBAC) as the case may be, and subsequently, designing access control rules. This framework has its benefits but has significant limitations in the context of modern systems that are dynamic, complex, and large-scale, due to which it is difficult to maintain an accurate access control state in the system for a human administrator. This paper proposes Deep Learning Based Access Control (DLBAC) by leveraging significant advances in deep learning technology as a potential solution to this problem. We envision that DLBAC could complement and, in the long-term, has the potential to even replace, classical access control models with a neural network that reduces the burden of access control model engineering and updates. Without loss of generality, we conduct a thorough investigation of a candidate DLBAC model, called DLBAC_alpha, using both real-world and synthetic datasets. We demonstrate the feasibility of the proposed approach by addressing issues related to accuracy, generalization, and explainability. We also discuss challenges and future research directions.
• Abstract（参考訳）: 現在のアクセス制御アプローチの共通の特徴は、抽象的で直感的なアクセス制御モデルを設計する必要があることである。 これは、ロール(rbac)、属性(abac)、リレーションシップ(rebac)という形でアクセス制御情報を設計することを含み、その後アクセス制御ルールを設計する。 このフレームワークにはメリットがあるが、人間の管理者がシステムの正確なアクセス制御状態を維持することが困難であるため、動的で複雑で大規模である現代のシステムのコンテキストにおいて大きな制限がある。 本稿では,この問題の潜在的な解決策として,ディープラーニング技術の大幅な進歩を活用することで,DLBAC(Deep Learning Based Access Control)を提案する。 DLBACが補完し、長期的には、古典的なアクセス制御モデルをニューラルネットワークに置き換える可能性があり、アクセス制御モデルのエンジニアリングと更新の負担を軽減できると考えています。 一般性を失うことなく、実世界のデータセットと合成データセットの両方を用いて、DLBAC_alphaと呼ばれる候補DLBACモデルを徹底的に調査する。 提案手法は,正確性,一般化,説明可能性に関する問題に対処することで実現可能性を示す。 課題と今後の研究方向性についても論じる。

関連論文リスト

• Access control in a distributed micro-cloud environment [0.0]
  属性ベースのアクセス制御モデルは、ポリシー管理の複雑さを犠牲にします。 ユーザとオブジェクトの階層を組み込んだABACモデルを提案する。 我々は、このモデルをサポートし、分散クラウドユースケースを示すポリシーエンジンを開発する。
  論文  参考訳（メタデータ） (2024-10-26T21:09:09Z)
• Katakomba: Tools and Benchmarks for Data-Driven NetHack [52.0035089982277]
  NetHackは強化学習研究のフロンティアとして知られている。 採用には、リソースワイド、実装ワイド、ベンチマークワイドの3つの大きな障害がある、と私たちは主張しています。 オフラインの強化学習コミュニティに慣れ親しんだワークフローの基礎を提供するオープンソースライブラリを開発した。
  論文  参考訳（メタデータ） (2023-06-14T22:50:25Z)
• Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A Reinforcement Learning Based Approach [61.74489383629319]
  新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。 閉ループアクセス制御の強化学習(RL)支援方式を提案する。 深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
  論文  参考訳（メタデータ） (2023-03-05T12:25:49Z)
• Machine Learning in Access Control: A Taxonomy and Survey [0.0]
  我々は、さまざまなアクセス制御問題を解決するために、さまざまな機械学習アプローチを調査し、まとめる。 パブリックな実世界のデータセットの欠如、MLベースのアクセス制御システムの管理、ブラックボックスMLモデルの決定の理解など、現在の制限とオープンな課題を強調します。
  論文  参考訳（メタデータ） (2022-07-04T22:36:27Z)
• Retrieval-Enhanced Machine Learning [110.5237983180089]
  本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
  論文  参考訳（メタデータ） (2022-05-02T21:42:45Z)
• 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)
• Learning Attribute-Based and Relationship-Based Access Control Policies with Unknown Values [0.6662800021628273]
  本稿では、アクセス制御リスト(ACL)とエンティティに関する不完全な情報からABACおよびReBACポリシーをマイニングするための最初のアルゴリズムを提案する。 この問題のコアは、未知を含むラベル付き特徴ベクトルの集合から、簡潔な3値論理式を学習したものと見なせる。
  論文  参考訳（メタデータ） (2020-08-19T13:56:29Z)
• Anticipating the Long-Term Effect of Online Learning in Control [75.6527644813815]
  AntLerは、学習を予想する学習ベースの制御法則の設計アルゴリズムである。 AntLer は確率 1 と任意に最適な解を近似することを示す。
  論文  参考訳（メタデータ） (2020-07-24T07:00:14Z)
• Data-driven Koopman Operators for Model-based Shared Control of Human-Machine Systems [66.65503164312705]
  本稿では,データ駆動型共有制御アルゴリズムを提案する。 ユーザのインタラクションに関するダイナミクスと情報は、Koopman演算子を使用して観察から学習される。 モデルに基づく共有制御は、自然な学習やユーザのみの制御パラダイムと比較して、タスクとコントロールのメトリクスを著しく改善する。
  論文  参考訳（メタデータ） (2020-06-12T14:14:07Z)
• Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems [108.81683598693539]
  オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。 我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
  論文  参考訳（メタデータ） (2020-05-04T17:00:15Z)
• 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)

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。