访问控制日志驱动的ABAC策略自动提取与优化增强

为解决基于属性的访问控制（ABAC）策略自动提取的低质量问题,提出一种基于访问控制日志驱动的ABAC策略自动提取与优化增强方法。首先,构建集成学习模型,将用户行为和权限分配映射为策略逻辑树,识别访问授权决策的关联性及潜在规律,初步生成策略;其次,通过单属性优化和规则二元约简两种方法深度优化策略,简化策略结构并压缩策略规模;最后,提出基于误差度量的规则冲突解决方法,以增强互斥、完备的ABAC策略,并进一步基于多目标优化的策略性能平衡算法实现不同场景需求的最优模型选择。分别在平衡数据集和稀疏数据集上进行测试和验证,实验结果表明,该方法在平衡数据集上的准确性最高可达96.69%,可将策略规模压缩至原来的19.7%。在稀疏数据集上的准确性最高可达87.74%,可将策略规模压缩至原来的23%。此方法兼顾策略的预测精度与结构的简洁性,同时适用于平衡日志和稀疏日志,确保访问控制系统在实际应用中能够实现高效、安全的访问授权管理。     

基于图神经网络的交通流量预测方法研究

随着城市化进程的加速,智能交通系统的需求也日益增长,其中预测交通流量尤为关键。为了更准确地预测交通流量,文章提出一种新的方法。该方法首先利用图生成模块来生成一个图结构,然后结合时间卷积、图卷积和门控线性单元构建的时空块,深入捕获了交通流的时空特征。为了评估文章所提方法的准确性和实用性,文章选择PEMS数据集进行实验。实验结果证明了文章所提模型在性能上优于对比方法。