論文の概要: Security theory for data flow and access control: From partial orders to lattices and back, a half-century trip

• arxiv url: http://arxiv.org/abs/2509.10727v1
• Date: Fri, 12 Sep 2025 22:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.752342
• Title: Security theory for data flow and access control: From partial orders to lattices and back, a half-century trip
• Title（参考訳）: データフローとアクセス制御のためのセキュリティ理論:部分順序から格子と後方への半世紀的旅行
• Authors: Luigi Logrippo,
• Abstract要約: 部分順序モデルがより適切である理由を示す。 また、ABAC(Attribute-based access control)を用いることで、非格子データフローネットワークを容易に実装できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The multi level Bell La Padula model for secure data access and data flow control, formulated in the 1970s, was based on the theory of partial orders. Since then, another model, based on lattice theory, has prevailed. We present reasons why the partial order model is more appropriate. We also show, by example, how non lattice data flow networks can be easily implemented by using Attribute-based access control (ABAC).
• Abstract（参考訳）: セキュアなデータアクセスとデータフロー制御のためのマルチレベルベル・ラ・パデューラモデルは、1970年代に定式化され、部分順序の理論に基づいている。 それ以来、格子理論に基づく別のモデルが普及してきた。 部分順序モデルがより適切である理由を示す。 また,ABAC(Attribute-based access control)を用いることで,非格子データフローネットワークを容易に実装できることを示す。

関連論文リスト

• Adding Conditional Control to Diffusion Models with Reinforcement Learning [68.06591097066811]
  拡散モデルは、生成されたサンプルの特性を正確に制御できる強力な生成モデルである。 大規模なデータセットでトレーニングされたこれらの拡散モデルは成功したが、下流の微調整プロセスに新たな制御を導入する必要があることが多い。 本研究では、オフラインデータセットを用いた強化学習(RL)に基づく新しい制御手法を提案する。
  論文  参考訳（メタデータ） (2024-06-17T22:00:26Z)
• Comparison of Access Control Approaches for Graph-Structured Data [0.0]
  グラフ構造化データは、その複雑な構造のために高度な、柔軟な、きめ細かいアクセス制御を必要とする。 いくつかの研究は、プロパティグラフ構造データ保護、きめ細かいアクセス制御、そしてそれらの概念の実現可能性と適用性を証明することに焦点を当てている。 我々は,近年のデータベースモデルに加えて,さまざまなデータベースモデルの認証とアクセス制御に関する体系的な文献レビューから,論文を選択する。
  論文  参考訳（メタデータ） (2024-05-31T12:31:05Z)
• Induced Model Matching: Restricted Models Help Train Full-Featured Models [1.4963011898406866]
  フル機能の(大きな)モデルをトレーニングする際に、制限された機能を使用した非常に正確な(小さな)予測モデルが利用可能であるシナリオを検討する。 制限されたモデルは、フルモデルにどのように役立つのか? 誘導モデルマッチング(IMM)と呼ばれる手法を導入する。 IMMは、大きなモデルのコンテキスト制限された、あるいは誘導されたバージョンと制限されたモデルとを一致させる。
  論文  参考訳（メタデータ） (2024-02-19T20:21:09Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Adjustment formulas for learning causal steady-state models from closed-loop operational data [0.0]
  定常状態データから因果定常状態モデルの推定を可能にする制御共起の調整式を導出する。 コントローラが対処しようとしている障害を推定して考慮し、フィードフォワードとフィードバックコントロールの両方で収集されたデータから学習することができる。
  論文  参考訳（メタデータ） (2022-11-10T14:39:46Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。