💻 computer science

MuSimA: A Tool with Multi-modal Input for Generating Bespoke ABAC Datasets

تقدم هذه الورقة MuSimA، وهي أداة قائمة على الويب ومتاحة مجانًا تُنشئ مجموعات بيانات اصطناعية ضخمة ومخصصة للتحكم في الوصول القائم على السمات (ABAC) من خلال دعم مدخلات المستخدم متعددة الوسائط، بما في ذلك ملفات JSON المهيكلة ورسومات التوزيع المرسومة يدويًا والتي يتم تفسيرها عبر نموذج لغوي كبير.

المؤلفون الأصليون: Saket Jha (Indian Institute of Technology Kharagpur, India), Karthikeya S. M. Yelisetty (Indian Institute of Technology Kharagpur, India), Singabattu Sathya (Indian Institute of Technology Kharagpur

نُشر 2026-04-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Saket Jha (Indian Institute of Technology Kharagpur, India), Karthikeya S. M. Yelisetty (Indian Institute of Technology Kharagpur, India), Singabattu Sathya (Indian Institute of Technology Kharagpur, India), Shamik Sural (Indian Institute of Technology Kharagpur, India)

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك حارس أمن يحاول اختبار نظام قفل باب جديد عالي التقنية. تريد معرفة ما إذا كان القفل يعمل بشكل مثالي عندما يحاول 10,000 شخص الدخول، أو عندما يكون الطقس عاصفًا، أو عندما يصل شخص مهم (VIP).

المشكلة؟ ليس لديك 10,000 شخص حقيقي لتجربة ذلك. وحتى لو كان لديك، لا يمكنك أن تطلب من شركة حقيقية السماح لك بمحاولة اقتحام مبناها لمجرد اختبار قفلك. لن يشاركوا بياناتهم الحقيقية لأنها خاصة للغاية.

هذه هي المشكلة ذاتها التي يحلها الباحثون في معهد IIT Kharagpur باستخدام أداة جديدة تسمى MuSimA.

إليك قصة MuSimA، مشروحة ببساطة:

1. المشكلة: "الصالة الرياضية الفارغة" للأمن

في عالم أمن الكمبيوتر، هناك نظام يسمى ABAC (التحكم في الوصول القائم على السمات). فكر فيه كأنه حارس ذكي جداً عند ملهى ليلي.

الحراس القدامى (RBAC): "هل أنت في قائمة كبار الشخصيات؟ نعم؟ تفضل بالدخول."
الحراس الأذكياء (ABAC): "هل أنت من كبار الشخصيات؟ نعم. هل الوقت بعد الساعة 10 مساءً؟ لا. هل ترتدي قبعة حمراء؟ نعم. حسناً، يمكنك الدخول."

لاختبار ما إذا كان هؤلاء الحراس الأذكياء يعملون بشكل جيد، يحتاج الباحثون إلى قائمة ضخمة من الأشخاص الوهميين، والأشياء الوهمية (مثل الملفات أو الأبواب)، والمواقف الوهمية (مثل "إنها تمطر" أو "إنه يوم الثلاثاء").

حتى الآن، كان على الباحثين بناء هذه القوائم الوهمية باستخدام أدوات قديمة وغير مرنة. كانت هذه الأدوات تشبه تماثيل العرض الجامدة (المانيكان)—يمكنها فقط الوقوف في وضعية واحدة. لم يكن بإمكانك إخبارها: "اجعل وصول كبار الشخصيات يتبع منحنى جرس (الكثير في المنتصف، والقليل عند الأطراف)" أو "اجعل الأيام الممطرة تحدث بشكل عشوائي". لقد كانت تعطيك دائماً نفس البيانات المملة والقديمة.

2. الحل: MuSimA (الصلصال الرقمي)

MuSimA هي أداة ويب جديدة تعمل مثل الصلصال الرقمي. فهي تتيح للباحثين تشكيل عالم أمني وهمي مثالي خاص بهم.

كيف تخبر MuSimA بما تريده؟
لديك طريقتان لإعطاء التعليمات، مثل التحدث إلى مساعد ذكي جداً:

طريقة "الحديث التقني" (JSON): تكتب ملف كود (مثل الوصفة) تقول فيه: "أحتاج إلى 1,000 مستخدم، و500 ملف، ويجب أن يتم توزيع المستخدمين وفق منحنى جرس".
طريقة "الخربشة" (متعدد الوسائط): هذا هو الجزء الرائع. إذا لم تكن جيداً في البرمجة، يمكنك ببساطة رسم مخطط على ورقة!
- مثال: ترسم شكل تلة على منديل ورقي لتوضح أنك تريد "توزيعاً طبيعياً" (منحنى جرس).
- يستخدم MuSimA نموذج لغة كبير (LLM)—وهو أساساً ذكاء اصطناي فائق الذكاء يمكنه "الرؤية"—لينظر إلى رسمك. يقول MuismA: "آه، أنا أرى تلة. أنت تريد منحنى جرس بقمة هنا وعرض هناك". ثم يقوم بترجمة خربشتك إلى الكود الرياضي الذي يحتاجه لبناء البيانات.

3. كيف يعمل: أرض المصنع

بمجرد إعطاء تعليماتك لـ MuSimA (سواء عبر الوصفة أو الرسم)، يبدأ العمل في خمس خطوات:

بناء طاقم التمثيل: ينشئ مجموعة من الشخصيات: المستخدمين (الأشخاص)، الملفات (الأشياء)، والمواقف (البيئة).
منحهم سمات: يعطيهم صفات. ربما المستخدم رقم 1 لديه "قبعة حمراء" والمستخدم رقم 2 لديه "قبعة زرقاء".
التوزيع السحري: هذا هو السر الخفي. يقوم بتعيين هذه السمات بناءً على الشكل الذي طلبته. إذا رسمت منحنى جرس، فسيحصل معظم المستخدمين على "القبعة الحمراء"، لكن القليل منهم سيحصل على "القبعة الزرقاء". إذا رسمت خطاً مستوياً، فسيحصل الجميع على مزيج متساوٍ.
كتابة القواعد: يبتكر قواعد الأمان. "إذا كنت ترتدي قبعة حمراء وَ كان الجو ممطراً، يمكنك الدخول".
التقرير النهائي: يخرج لك ملفاً مضغوطاً (zip) يحتوي على العالم الوهمي بأكمله، جاهزاً للتحميل واختبار أنظمة الأمان الخاصة بك.

4. لماذا يعد هذا أمراً هاماً؟

اختبر الباحثون MuSimA للتأكد من أنه ليس مجرد لعبة. طلبوا منه إنشاء مجموعة بيانات ضخمة تحتوي على 100,000 مستخدم.

النتيجة: طابقت البيانات الوهمية الأشكال التي طلبوها بشكل شبه مثالي. كان "معدل الخطأ" أقل من 5%.
التشبيه: تخيل أنك تطلب من طباخ خبز 100,000 قطعة كوكيز بحيث يكون 50% منها بالشوكولاتة، و30% بالفانيليا، و20% بالفراولة، مرتبة في نمط معين. لقد خبزها MuSimA بدقة شديدة لدرجة أنك إذا تذوقتها، ستظن أنها حقيقية.

5. لمسة "أحضر نموذجك الخاص"

عادةً، عندما تستخدم أداة ويب، يجب أن تثق في الشركة التي تملك بياناتك. لكن MuSimA هو مفتوح المصدر.

التشبيه: معظم الأدوات تشبه المطعم حيث يجب عليك تناول طعامهم. أما MuSimA فهو يشبه إعطائك الوصفة والمطبخ. يمكنك تشغيل الأداة على جهاز الكمبيوتر الخاص بك. إذا كنت بنكاً أو مستشفىً وتخشى على الخصوصية، يمكنك تشغيل MuSimA محلياً لإنشاء بياناتك الوهمية دون إرسال أي من بياناتك الحقيقية إلى الإنترنت أبداً.

الملخص

MuSimA هي أداة تسمح للباحثين الأمنيين بإنشاء عوالم أمنية وهمية مصممة خصيصاً.

يمكنك برمجة القواعد أو رسمها.
يستخدم الذكاء الاصطناعي لفهم رسوماتك.
ينشئ مجموعات بيانات ضخمة وواقعية تساعد في اختبار ما إذا كانت أنظمة الأمان آمنة حقاً.
إنه مجاني وخاص (يمكنك تشغيله بنفسك).

إنه يحول المهمة المملة والجامدة لصنع بيانات الاختبار إلى عملية إبداعية ومرنة، مما يضمن اختبار الأنظمة الأمنية التي تحمي حياتنا الرقمية مقابل السيناريوهات الأكثر واقعية الممكنة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "MuSimA: أداة ذات مدخلات متعددة الوسائط لتوليد مجموعات بيانات ABAC مخصصة."

1. بيان المشكلة

على الرغم من التقدم الكبير في أبحاث التحكم في الوصول القائم على السمات (ABAC)، بما في ذلك تنقيب السياسات، واستخراج اللغة الطبيعية، وتحسينات القابلية للتوسع، إلا أن هذا المجال يعاني من نقص حاد في مجموعات البيانات الاصطناعية عالية الجودة والقابلة للتوسع لأغراض الاختبار.

محدودية البيانات الحقيقية: نادراً ما تشارك المؤسسات سجلات التحكم في الوصول الحقيقية بسبب مخاوف الخصوصية. كما أن مجموعات البيانات العامة المتاحة (مثل Amazon Kaggle وAmazon UCI) محدودة الحجم، وتفتقر إلى السمات البيئية (وهي ميزة أساسية لـ ABAC)، وغالباً ما تفتقر إلى مجموعات قواعد واضحة.
محدودية الأدوات الحالية:
- مجموعات بيانات Xu & Stoller: تقتصر على تغييرات طفيفة محددة مسبقاً ولا يمكنها توليد توزيعات خاصة بنطاقات معينة.
- أداة ConGRASS: تستخدم شبكات GAN الجدولة الشرطية (Conditional Tabular GANs) ولكنها مقيدة تماماً بأبعاد سمات مجموعة بيانات التدريب الأصلية.
- أداة ABAC Lab: تركز على تنقيب السياسات بمعلمات ثابتة ولا تدعم توزيعات قيم السمات التي يحددها المستخدم أو السمات البيئية.
الفجوة: لا توجد أداة حالية تسمح للباحثين بتوليد مجموعات بيانات ABAC واسعة النطاق ومخصصة ذات توزيعات قيم سمات قابلة للتخصيص (مثل التوزيع الطبيعي، وتوزيع بواسون، والتوزيع الموحد) وتدعم السمات البيئية.

2. المنهجية: MuSimA

MuSimA (المحاكي متعدد الوسائط لأنظمة ABAC) هو أداة قائمة على الويب مصممة لتوليد مجموعات بيانات ABAC اصطناعية بناءً على مواصفات يحددها المستخدم. وهي تعتمد بنية برمجية نموذجية تتميز بقدرة فريدة على المدخلات متعددة الوسائط.

أ. آليات الإدخال

تقبل MuSimA المواصفات في تنسيقين:

مدخلات JSON المهيكلة: يقدم المستخدم ملف تهيئة (input.json) يحدد:
- أعداد الكيانات: عدد الأشخاص (Subjects $S$ )، والأشياء (Objects $O$ )، والكيانات البيئية (Environmental entities $E$ ).
- تعريفات السمات: أعداد والقيم الممكنة للسمات المرتبطة بكل نوع من أنواع الكيانات.
- مواصفات التوزيع: توزيعات الاحتمالات (موحدة، طبيعية مبتورة، بواسون) لقيم السمات، بما في ذلك المعلمات مثل المتوسط ( $\mu$ )، والتباين ( $\sigma^2$ )، والمعدل ( $\lambda$ ).
- قواعد السياسة: أعداد قواعد السماح (permit) والمنع (deny) المطلوبة.
مدخلات متعددة الوسائط (رسومات يدوية): يمكن للمستخدمين رفع رسومات تخطيطية للتوزيعات المطلوبة.
- التكامل مع النماذج اللغوية الكبيرة (LLM): يقوم نموذج لغوي كبير (تحديداً Google Gemini) بتحليل الصور المرسومة يدوياً لاستخراج معلمات التوزيع.
- التحسين التكراري: يستخدم النظام حلقة تكرارية حيث يقوم النموذج اللغوي بمقارنة الرسم التخطيطي الأصلي مع التقريب الناتج. إذا اختلف التقريب (على سبيل المثال، إذا انخفض المنحنى إلى الصفر عند الأطراف بينما ظل الرسم التخطيطي مرتفعاً)، يقوم النموذج اللغوي بتحسين المعلمات (مثل زيادة $\sigma$ ) حتى يتم تحقيق تطابق وثيق.
- الأمان: يتم فحص الصور المدخلة وتطهيرها عبر فحوصات نوع MIME لمنع هجمات حقن الأوامر (prompt injection).

ب. عملية توليد البيانات

بمجرد تحديد المعلمات، تنفذ MuSimA خط إنتاج توليد مكون من خمس مراحل:

توليد الكيانات والسمات: إنشاء معرفات فريدة للأشخاص، والأشياء، والبيئات، وسماتها الخاصة.
توليد قيم السمات: تحديد مجموعة القيم الممكنة ( $V_a$ ) لكل سمة.
تعيين الكيان والسمة: تخصيص القيم للكيانات بناءً على التوزيعات المحددة:
- التوزيع الطبيعي: أخذ عينات من توزيع طبيعي مبتور وتجميع النتائج في قيم منفصلة.
  est * توزيع بواسون: حساب الاحتمالات للقيم المنفصلة، وتطبيعها، ثم أخذ العينات بناءً عليها.
- التوزيع الموحد: اختيار القيم عشوائياً باحتمالية متساوية.
توليد السياسة: بناء قواعد السماح ( $\Pi^+$ ) والمنع ( $\Pi^-$ ) بناءً على أزواج (السمة-القيمة). وهي تفرض دلالات "تجاوز المنع" (أي أن قاعدة المنع تلغي قاعدة السماح).
توليد مصفوفة التحكم في الوصول (ACM): تقييم كل عنصر $(s, o, e)$ مقابل قواعد السياسة لتحديد قرارات الوصول (1 للسماح و0 للمنع).

ج. تنسيقات المخرجات

تنتج الأداة ملف Zip قابلاً للتحميل يحتوي على:

output.json: بيانات مهيكلة تشمل مجموعات الكيانات، تعريفات السمات، خرائط القيم، وقواعد السياسة.
ACM.txt: مصفوفة التحكم في الوصول الكاملة.
access_data.txt: بيانات مسطحة مناسبة لتدريب تعلم الآلة.
إثبات التوزيع: تقارير مرئية تقارن بين التوزيعات المتوقعة والفعلية للتحقق من دقة التوليد.

3. المساهمات الرئيسية

أول مولد ABAC متعدد الوسائط: قدم أداة تقبل كلاً من JSON المهيكل والرسومات التخطيطية للتوزيعات، مما يقلل من الحواجز أمام الباحثين غير التقنيين.
استخراج المعلمات بواسطة النماذج اللغوية الكبيرة: رائدة في استخدام النماذج اللغوية الكبيرة لترجمة الرسومات المرئية إلى معلمات إحصائية دقيقة (المتوسط، التباين، Lambda) مع آلية تحسين تكرارية.
دعم السمات البيئية: على عكس الأدوات السابقة، تدعم MuSimA صراحةً الظروف البيئية (مثل الوقت، والموقع)، وهو مكون حيوي في أنظمة ABAC الحديثة.
القابلية للتوسع والمرونة: قادرة على توليد مجموعات بيانات بمقاييس تعسفية (مثل أكثر من 100,000 شخص) وتوزيعات معقدة يحددها المستخدم.
مفتوحة المصدر وخصوصية: الأداة مفتوحة المصدر ونمطية، مما يسمح للمؤسسات بتشغيلها محلياً لتجنب مخاوف الخصوصية المرتبطة بتوليد البيانات عبر السحابة.

4. النتائج التجريبية

تحقق المؤلفون من صحة MuSimA باستخدام تكوين واسع النطاق: 100,000 شخص، 2,500 شيء، 1,000 كيان بيئي، و50 قاعدة تفويض.

مقاييس الدقة: قاس النظام الخطأ بين أعداد قيم السمات المتوقعة والفعلية.
- سمات الأشخاص: متوسط الخطأ 3.25%.
- سمات الأشياء: متوسط الخطأ 5.45%.
- السمات البيئية: متوسط الخطأ 5.30%.
- إجمالي متوسط الخطأ: 4.66%.
أداء التوزيع:
- أظهرت التوزيعات الموحدة أقل الأخطاء.
- أظهرت التوزيعات المعقدة أو شديدة الانحراف (مثل حالات معينة من توزيع بواسون) أخطاء أعلى قليلاً ولكنها ظلت ضمن الحدود المقبولة.
التحقق المرئي: أكدت الرسوم البيانية التي تقارن بين القيم "المتوقعة" و"الفعلية" أن البيانات المولدة تتبع بدقة مواصفات التوزيع المدخلة.

5. الأهمية والتوجهات المستقبلية

الأثر البحثي: تسد MuSimA فجوة حرجة في النظام البيئي لأبحاث ABAC من خلال توفير مصدر موثوق وقابل للتخصيص للبيانات الاصطناعية. وهذا يتيح اختباراً صارماً لخوارزميات تنقيب السياسات، ودراسات القابلية للتوسع، والتحليل الأمني عند نقطة معلومات السياسة (PIP)، ونقطة اتخاذ القرار (PDP)، ونقطة الإنفاذ (PEP).
العمل المستقبلي:
- السمات المترابطة: تهدف الإصدارات المستقبلية إلى نمذجة الارتباطات بين السمات (حالياً، يتم توليد السمات بشكل مستقل) لمحاكاة السيناريوهات الواقعية بشكل أفضل.
- تحليل السجلات: دمج سجلات الوصول الحقيقية لتعلم الأنماط الواقعية تلقائياً.
- السياسات المتقدمة: إضافة دعم للظروف القائمة على الوقت/الموقع، وهياكل الأدوار، وقيود فصل المهام.
- المقارنة المرجعية: مقارنة مجموعات البيانات المولدة بواسطة MuSimA مع مجموعات البيانات الحقيقية (مثل Amazon UCI) لمزيد من التحقق من الواقعية.

في الختام، تمثل MuSimA خطوة مهمة للأمام في البنية التحتية لأبحاث ABAC، حيث تقدم أداة مرنة ودقيقة وسهلة الوصول لتوليد مجموعات بيانات مخصصة تتجاوز قيود النهج الساكنة أو القائمة على المحاكاة.