WiMi は効率的な密度を開発しました

ニュース提供

2023 年 8 月 24 日、東部時間午前 8 時

この記事をシェアする

北京、2023 年 8 月 24 日 /PRNewswire/ -- 世界をリードするホログラム拡張現実 (「AR」) 技術プロバイダーである WiMi ホログラム クラウド Inc. (NASDAQ: WIMI) (「WiMi」または「当社」) は本日、次のことを発表しました。同社は、ポリシー評価のパフォーマンスを向上させるための効率的な密度ピーク クラスタリング アルゴリズムである DPCEngine を開発しました。 ポリシー セット内のクラスタリング構造を識別することで、ポリシー評価の複雑さを軽減します。 WiMi の DPCEngine の構造とアルゴリズム プロセス。データの前処理、密度ピーク クラスタリング、戦略のマッチング、評価などの重要なステップが含まれます。

DPCEngine のパフォーマンスと有効性を評価するために、大規模で複雑なポリシーのセットを含む実際のデータセットを使用して実験が実施されました。 このデータセットにはさまざまなドメインのポリシーが含まれており、幅広いアクセス制御シナリオをカバーしています。 このデータセットはトレーニング セットとテスト セットに分割されており、トレーニング セットは DPCEngine のモデルの構築に使用され、テスト セットはそのパフォーマンスの評価に使用されます。

WiMi の研究者は、DPCEngine を、線形検索ベースやツリー構造ベースの方法などの従来のポリシー評価方法と比較しました。 パフォーマンス指標の 2 つの側面、つまりポリシーの評価時間と照合精度が評価されました。 ポリシー評価時間はアクセス要求を評価するのに必要な時間であり、照合精度は DPCEngine の照合結果と従来の方法との間の一貫性です。

DPCEngine は、ポリシー評価時間の点でパフォーマンスに大きな利点をもたらします。 従来の方法と比較して、DPCEngine は、特にポリシー セットが大規模で複雑な場合に、ポリシーの評価時間を大幅に短縮できます。 これは、DPCEngine で使用される密度ピークベースのクラスタリング アルゴリズムによるもので、ポリシー セットをより小さなサブセットにクラスタリングできるため、評価のための検索スペースが削減されます。

マッチング精度に関する WiMi の DPCEngine の実験結果は、DPCEngine のマッチング結果と従来の方法との間に高度な一貫性があることを示しています。 これは、DPCEngine が戦略評価のパフォーマンスを向上させながら精度を犠牲にしていないことを示しています。 さらに、さまざまなサイズのポリシー セットの下で DPCEngine のパフォーマンスを評価するためのスケーラビリティ実験を実施しました。 結果は、DPCEngine が大規模なポリシー セットに効果的に対処でき、優れたスケーラビリティを備えていることを示しています。

WiMi の DPCEngine は、密度ピーク クラスタリング アルゴリズムに基づくポリシー評価エンジンで、ポリシー セットの前処理、クラスタ化されたポリシー セット、およびポリシーの照合という 3 つの主な機能があります。 これらの機能を組み合わせて使用​​することで、戦略評価の有効性と精度を大幅に向上させることができます。

ポリシー セットの前処理: 戦略を評価する前に、DPCEngine はポリシー セットを前処理してデータを準備し、密度ピーク クラスタリングにより適したものにします。 前処理プロセスには、データ クリーニング、特徴抽出、データ変換などのステップが含まれます。 データをクリーニングすることにより、冗長、不完全、または不正確な戦略情報が削除され、データの正確性と一貫性が確保されます。 評価結果への悪影響を回避します。 一方、機能抽出プロセスでは、後続のクラスタリング操作のために、ユーザー ロール、リソース タイプ、操作権限などの主要な機能をポリシー セットから抽出します。 データ変換は、ポリシー セットを、クラスタリング分析用の密度ピーク クラスタリング アルゴリズムに適したベクトルや行列などのデータ表現に変換します。

クラスター化されたポリシー セット: DPCEngine は、DPC アルゴリズムを利用して、ポリシー セットに対してクラスター化操作を実行します。 密度ピーク クラスタリング アルゴリズム (DPCA) は、戦略間の密度と距離を評価することによって、一連の戦略内のクラスタリング構造を特定します。 このアルゴリズムは、戦略間の密度と距離に基づいてピーク ポイントを特定し、ピーク ポイント間の戦略を異なるクラスターに分割します。 これにより、大規模で複雑なポリシーのセットをより小さなサブセットにクラスタリングすることにより、ポリシー評価の時間と複​​雑さが軽減されます。各クラスタは、同様の特性と動作パターンを持つポリシーのセットを表します。 クラスター化されたポリシー セットの結果、同様の特性と動作パターンを持つ一連のポリシー クラスターが生成されます。このクラスター化されたポリシー セットのアプローチにより、ポリシー評価の時間と計算の複雑さが軽減され、システムのパフォーマンスと効率が向上します。