16、增强 XACML 以实现连续使用控制功能的提案

增强 XACML 以实现连续使用控制功能的提案

1 引言

过去十年,基于属性的访问控制优势凸显,其访问决策依据请求主体、访问对象以及计算系统运行环境的属性。传统授权场景假定属性随时间不变,授权条件仅在访问前检查一次,访问进行时也保持有效。

为表达更全面的使用场景,研究人员提出了 UCON 模型,该模型强调属性的可变性以及策略执行的连续性,对于长时间访问(如网格计算中的计算服务)尤为重要。近年来,UCON 作为最具表现力的基于属性的访问控制模型备受关注。

XACML 是 OASIS 标准,用于在分布式环境中表达、组合和管理访问控制策略。它具有可扩展性和互操作性,广泛应用于各种应用和环境中,但目前仅能表达传统访问控制。

有研究指出 XACML 需要扩展以实现访问决策的连续性,虽有尝试用 XACML 实现连续策略执行,但多关注架构和策略执行机制,对表达 UCON 模型的策略模型关注较少。本文提出了 U - XACML 策略语言,旨在增强 XACML 以融入 UCON 的新特性。

2 背景

2.1 UCON

UCON 是一种新颖的访问控制模型,用于解决现代分布式环境中的问题,具有两个显著特点:
- 属性可变性 :属性会随时间变化,由于属性用于访问决策评估,因此每当属性值发生变化时,策略声明都应重新评估。
- 策略执行连续性 :不仅在请求访问对象时执行安全策略,在实际使用对象时也需持续评估。对于长时间访问,如网格服务,这种连续评估至关重要。若使用过程中属性变化违反安全策略,访问将被撤销,资源使用终止。

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值