WiMi a développé une densité efficace

Nouvelles fournies par

24 août 2023, 8 h HE

Partagez cet article

PÉKIN, 24 août 2023 /PRNewswire/ -- WiMi Hologram Cloud Inc. (NASDAQ : WIMI) (« WiMi » ou la « Société »), l'un des principaux fournisseurs mondiaux de technologies de réalité augmentée (« AR ») pour hologrammes, a annoncé aujourd'hui que il a développé DPCEngine, un algorithme efficace de regroupement de pics de densité pour améliorer les performances de l'évaluation des politiques. Il réduit la complexité de l'évaluation des politiques en identifiant la structure de regroupement dans les ensembles de politiques. La structure et le processus algorithmique du DPCEngine de WiMi, qui comprend des étapes clés telles que le prétraitement des données, le regroupement de pics de densité, la mise en correspondance et l'évaluation des stratégies.

Pour évaluer les performances et l'efficacité de DPCEngine, des expériences ont été menées en utilisant un ensemble de données réel contenant un ensemble vaste et complexe de politiques. Cet ensemble de données contient des politiques de différents domaines et couvre un large éventail de scénarios de contrôle d'accès. Cet ensemble de données est divisé en un ensemble de formation et un ensemble de test, où l'ensemble de formation est utilisé pour créer le modèle de DPCEngine et l'ensemble de test est utilisé pour évaluer ses performances.

Les chercheurs de WiMi ont comparé DPCEngine à ces méthodes traditionnelles d'évaluation des politiques, notamment les méthodes basées sur la recherche linéaire et sur la structure arborescente. Deux aspects des mesures de performance ont été évalués : le temps d’évaluation des politiques et la précision de l’appariement. Le temps d'évaluation des politiques est le temps nécessaire pour évaluer une demande d'accès, tandis que la précision de la correspondance correspond à la cohérence entre les résultats de correspondance de DPCEngine et les méthodes traditionnelles.

DPCEngine offre des avantages de performances significatifs en termes de temps d'évaluation des politiques. Par rapport aux méthodes traditionnelles, DPCEngine est capable de réduire considérablement le temps d’évaluation des politiques, en particulier lorsque l’ensemble des politiques est vaste et complexe. Ceci est attribué à l'algorithme de clustering basé sur le pic de densité utilisé par DPCEngine, qui est capable de regrouper l'ensemble de politiques en sous-ensembles plus petits, réduisant ainsi l'espace de recherche pour l'évaluation.

Les résultats expérimentaux du DPCEngine de WiMi en termes de précision de correspondance montrent qu'il existe un haut degré de cohérence entre les résultats de correspondance de DPCEngine et les méthodes traditionnelles. Cela indique que DPCEngine ne sacrifie pas la précision tout en améliorant les performances de l'évaluation de la stratégie. De plus, nous avons mené des expériences d'évolutivité pour évaluer les performances de DPCEngine sous différentes tailles d'ensembles de politiques. Les résultats montrent que DPCEngine peut gérer efficacement des ensembles de politiques à grande échelle et présente une bonne évolutivité.

Le DPCEngine de WiMi, un moteur d'évaluation de politiques basé sur un algorithme de clustering à pic de densité, a trois fonctions principales : les ensembles de politiques de prétraitement, les ensembles de politiques regroupés et les politiques de mise en correspondance. L'utilisation combinée de ces fonctions peut améliorer considérablement l'efficacité et la précision de l'évaluation de la stratégie.

Prétraitement des ensembles de politiques : avant l'évaluation de la stratégie, DPCEngine prépare les données en prétraitant l'ensemble de politiques pour le rendre plus adapté au regroupement de pics de densité. Le processus de prétraitement comprend des étapes telles que le nettoyage des données, l'extraction de fonctionnalités et la transformation des données. En nettoyant les données, les informations stratégiques redondantes, incomplètes ou incorrectes sont supprimées pour garantir l'exactitude et la cohérence des données. Évitez tout impact négatif sur les résultats de l’évaluation. Le processus d'extraction de fonctionnalités, quant à lui, extrait les fonctionnalités clés de l'ensemble de stratégies, telles que les rôles d'utilisateur, les types de ressources et les privilèges d'opération, pour les opérations de clustering ultérieures. La transformation des données convertit l'ensemble de règles en une représentation de données, telle qu'un vecteur ou une matrice, adaptée aux algorithmes de clustering à pic de densité pour l'analyse de clustering.

Ensembles de règles en cluster : DPCEngine utilise l'algorithme DPC pour effectuer des opérations de clustering sur des ensembles de règles. L'algorithme de clustering de pic de densité (DPCA) identifie la structure de clustering dans un ensemble de stratégies en évaluant la densité et la distance entre les stratégies. L'algorithme identifie les points de pointe en fonction de la densité et de la distance entre les stratégies et divise les stratégies entre les points de pointe en différents groupes. Cela réduit le temps et la complexité de l’évaluation des politiques en regroupant un ensemble vaste et complexe de politiques en sous-ensembles plus petits, où chaque cluster représente un ensemble de politiques présentant des caractéristiques et des modèles de comportement similaires. Le résultat d’un ensemble de politiques groupées est un ensemble de groupes de politiques présentant des caractéristiques et des modèles de comportement similaires, et cette approche d’ensemble de politiques groupées réduit le temps et la complexité informatique de l’évaluation des politiques et améliore les performances et l’efficacité du système.