Role-Conditioned Refusals: Evaluating Access Control Reasoning in Large Language Models

这篇文章聚焦大语言模型（LLMs）在访问控制推理中的角色条件拒绝能力，通过构建新数据集和对比三种方法，为LLMs在企业敏感环境中的安全部署提供了关键参考。

一、文章主要内容总结

1. 研究背景与问题

传统计算中，基于角色的访问控制（RBAC）是安全基石，但LLMs生成式特性会模糊角色边界，可能导致未授权用户获取敏感数据（如医疗、财务信息）。现有研究多依赖合成场景，缺乏对真实可执行访问规则的支持，无法有效评估LLMs在实际访问控制中的可靠性。

2. 核心研究设计

• 数据集构建：扩展Spider和BIRD两个文本到SQL数据集，添加PostgreSQL表级和列级RBAC策略，每个数据库定义4个层级角色（从无限制访问到最小可见性），形成Spider-ACL（153个数据库、612个角色、1.96万查询）和BIRD-ACL（80个数据库、320个角色、3.58万查询）。
• 三种评估方法：
  1. 零样本/少样本提示（Setting 1）：模型直接结合用户角色、数据库 schema 和问题，一步决策是否允许访问并生成SQL（若允许）。
  2. 两步生成-验证流水线（Setting 2）：生成