論文の概要: LLMAC: A Global and Explainable Access Control Framework with Large Language Model

• arxiv url: http://arxiv.org/abs/2602.09392v1
• Date: Tue, 10 Feb 2026 04:02:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.367683
• Title: LLMAC: A Global and Explainable Access Control Framework with Large Language Model
• Title（参考訳）: LLMAC: 大規模言語モデルを備えたグローバルで説明可能なアクセス制御フレームワーク
• Authors: Sharif Noor Zisad, Ragib Hasan,
• Abstract要約: 今日のビジネス組織は、複雑なセキュリティ要件の変更を処理できるアクセス制御システムを必要としています。 役割ベースアクセス制御(RBAC)、属性ベースアクセス制御(ABAC)、離散アクセス制御(DAC)といった現在のアプローチは、特定の目的のために設計されている。 LLMACはLarge Language Models (LLMs) を用いた新しい統一的アプローチであり,これらの異なるアクセス制御手法を包括的で理解可能なシステムに統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Today's business organizations need access control systems that can handle complex, changing security requirements that go beyond what traditional methods can manage. Current approaches, such as Role-Based Access Control (RBAC), Attribute-Based Access Control (ABAC), and Discretionary Access Control (DAC), were designed for specific purposes. They cannot effectively manage the dynamic, situation-dependent workflows that modern systems require. In this research, we introduce LLMAC, a new unified approach using Large Language Models (LLMs) to combine these different access control methods into one comprehensive, understandable system. We used an extensive synthetic dataset that represents complex real-world scenarios, including policies for ownership verification, version management, workflow processes, and dynamic role separation. Using Mistral 7B, our trained LLM model achieved outstanding results with 98.5% accuracy, significantly outperforming traditional methods (RBAC: 14.5%, ABAC: 58.5%, DAC: 27.5%) while providing clear, human readable explanations for each decision. Performance testing shows that the system can be practically deployed with reasonable response times and computing resources.
• Abstract（参考訳）: 今日のビジネス組織は、従来のメソッドが管理できるものを超えた、複雑なセキュリティ要件を処理できるアクセス制御システムを必要としています。 役割ベースアクセス制御(RBAC)、属性ベースアクセス制御(ABAC)、離散アクセス制御(DAC)といった現在のアプローチは、特定の目的のために設計されている。 現代のシステムに必要な動的で状況に依存したワークフローを効果的に管理することはできない。 本研究では,LLMAC(Large Language Models (LLMs) を用いた新しい統一手法)を導入し,これらの異なるアクセス制御手法を包括的で理解可能なシステムに統合する。 私たちは、オーナシップ検証、バージョン管理、ワークフロープロセス、動的ロール分離などのポリシーを含む、複雑な実世界のシナリオを表す広範な合成データセットを使用しました。 Mistral 7Bを用いて、トレーニングされたLLMモデルは98.5%の精度で優れた結果となり、従来の手法(RBAC: 14.5%、ABAC: 58.5%、DAC: 27.5%)を著しく上回りました。 パフォーマンステストは、システムが合理的な応答時間とコンピューティングリソースで実際にデプロイ可能であることを示している。

関連論文リスト

• LLM-based Multi-Agent Blackboard System for Information Discovery in Data Science [69.1690891731311]
  従来のAIモデルのためのブラックボードアーキテクチャに着想を得た,新しいマルチエージェント通信パラダイムを提案する。 このフレームワークでは、中央エージェントが共有ブラックボードにリクエストをポストし、自律的な従属エージェントがその能力に基づいて応答する。 明示的なデータ発見を必要とする3つのベンチマークに対して,本手法の評価を行った。
  論文  参考訳（メタデータ） (2025-09-30T22:34:23Z)
• EasySteer: A Unified Framework for High-Performance and Extensible LLM Steering [55.56674028743782]
  大規模言語モデル(LLM)のステアリングは、推論時にモデル動作を制御するための有望なパラダイムとして登場した。 我々は,vLLM上に構築された高性能LLMステアリングのための統合フレームワークであるEasySteerを提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:59:07Z)
• Permissioned LLMs: Enforcing Access Control in Large Language Models [11.090184334137758]
  本稿では,組織データアクセス制御構造を,それらが生成するクエリ応答に重畳するパーミッションLLMを提案する。 我々はPermLLMメカニズムの有効性を実証的に評価した。 要求されるアクセス制御を実現するために、効率的なファインチューニングを基盤とした新しいPermLLM機構を3つ導入する。
  論文  参考訳（メタデータ） (2025-05-28T20:47:02Z)
• Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
  Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。 既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。 本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:56:20Z)
• 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)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• 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)
• Toward Deep Learning Based Access Control [3.2511618464944547]
  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。
  論文  参考訳（メタデータ） (2022-03-28T22:05:11Z)
• 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)
• 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)

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。