WiMi desenvolveu uma densidade eficiente

Notícias fornecidas por

24 de agosto de 2023, 8h ET

Compartilhe este artigo

PEQUIM, 24 de agosto de 2023 /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ("WiMi" ​​ou a "Empresa"), fornecedora líder global de tecnologia de Realidade Aumentada de Holograma ("AR"), anunciou hoje que desenvolveu o DPCEngine, um algoritmo eficiente de agrupamento de pico de densidade para melhorar o desempenho da avaliação de políticas. Reduz a complexidade da avaliação de políticas, identificando a estrutura de agrupamento nos conjuntos de políticas. A estrutura e o processo algorítmico do DPCEngine do WiMi, que inclui etapas importantes, como pré-processamento de dados, agrupamento de pico de densidade, correspondência de estratégias e avaliação.

Para avaliar o desempenho e a eficácia do DPCEngine, foram realizados experimentos usando um conjunto de dados real contendo um grande e complexo conjunto de políticas. Este conjunto de dados contém políticas de diferentes domínios e abrange uma ampla gama de cenários de controle de acesso. Este conjunto de dados é dividido em um conjunto de treinamento e um conjunto de teste, onde o conjunto de treinamento é utilizado para construir o modelo do DPCEngine e o conjunto de teste é utilizado para avaliar seu desempenho.

Os pesquisadores do WiMi compararam o DPCEngine com os métodos tradicionais de avaliação de políticas, incluindo métodos baseados em pesquisa linear e em estrutura de árvore. Foram avaliados dois aspectos das métricas de desempenho: tempo de avaliação da política e precisão da correspondência. O tempo de avaliação da política é o tempo necessário para avaliar uma solicitação de acesso, enquanto a precisão da correspondência é a consistência entre os resultados de correspondência do DPCEngine e os métodos tradicionais.

O DPCEngine oferece vantagens significativas de desempenho em termos de tempo de avaliação de políticas. Comparado aos métodos tradicionais, o DPCEngine é capaz de reduzir significativamente o tempo de avaliação de políticas, especialmente quando o conjunto de políticas é grande e complexo. Isto é atribuído ao algoritmo de agrupamento baseado em pico de densidade usado pelo DPCEngine, que é capaz de agrupar o conjunto de políticas em subconjuntos menores, reduzindo assim o espaço de busca para avaliação.

Os resultados experimentais do DPCEngine do WiMi em termos de precisão de correspondência mostram que há um alto grau de consistência entre os resultados de correspondência do DPCEngine e os métodos tradicionais. Isso indica que o DPCEngine não sacrifica a precisão ao mesmo tempo que melhora o desempenho da avaliação da estratégia. Além disso, conduzimos experimentos de escalabilidade para avaliar o desempenho do DPCEngine sob diferentes tamanhos de conjuntos de políticas. Os resultados mostram que o DPCEngine pode lidar eficazmente com conjuntos de políticas em grande escala e tem boa escalabilidade.

O DPCEngine do WiMi, um mecanismo de avaliação de políticas baseado em um algoritmo de agrupamento de pico de densidade, tem três funções principais: pré-processamento de conjuntos de políticas, conjuntos de políticas agrupadas e políticas correspondentes. A utilização combinada destas funções pode melhorar significativamente a eficácia e a precisão da avaliação da estratégia.

Pré-processamento dos conjuntos de políticas: antes da avaliação da estratégia, o DPCEngine prepara os dados pré-processando o conjunto de políticas para torná-lo mais adequado para agrupamento de pico de densidade. O processo de pré-processamento inclui etapas como limpeza de dados, extração de recursos e transformação de dados. Ao limpar os dados, as informações estratégicas redundantes, incompletas ou incorretas são removidas para garantir a precisão e a consistência dos dados. Evitar impacto negativo nos resultados da avaliação. O processo de extração de recursos, por outro lado, extrai recursos-chave do conjunto de políticas, como funções de usuário, tipos de recursos e privilégios de operação, para operações subsequentes de cluster. A transformação de dados converte o conjunto de políticas em uma representação de dados, como um vetor ou matriz, adequada para algoritmos de agrupamento com pico de densidade para análise de agrupamento.

Conjuntos de políticas em cluster: DPCEngine utiliza o algoritmo DPC para executar operações de cluster em conjuntos de políticas. O Algoritmo de Clustering de Pico de Densidade (DPCA) identifica a estrutura de cluster em um conjunto de estratégias avaliando a densidade e a distância entre as estratégias. O algoritmo identifica pontos de pico com base na densidade e distância entre estratégias e divide as estratégias entre pontos de pico em diferentes clusters. Isto reduz o tempo e a complexidade da avaliação de políticas ao agrupar um conjunto grande e complexo de políticas em subconjuntos mais pequenos, onde cada agrupamento representa um conjunto de políticas com características e padrões de comportamento semelhantes. O resultado de um conjunto de políticas agrupadas é um conjunto de grupos de políticas com características e padrões de comportamento semelhantes, e esta abordagem de conjunto de políticas agrupadas reduz o tempo e a complexidade computacional da avaliação de políticas e melhora o desempenho e a eficiência do sistema.