💻 computer science

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

यह शोध पत्र MuSimA को प्रस्तुत करता है, जो एक निःशुल्क उपलब्ध वेब-आधारित टूल है जो मल्टी-मोडल उपयोगकर्ता इनपुट, जिसमें संरचित JSON फ़ाइलें और एक लार्ज लैंग्वेज मॉडल द्वारा व्याख्यायित हस्तलिखित वितरण स्केच शामिल हैं, का समर्थन करके बड़े पैमाने पर, विशेष रूप से निर्मित सिंथेटिक एट्रिब्यूट-आधारित एक्सेस कंट्रोल (ABAC) डेटासेट उत्पन्न करता है।

मूल लेखक: 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

प्रकाशित 2026-04-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: 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)

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक सुरक्षा गार्ड हैं जो एक नए, हाई-टेक डोर लॉक सिस्टम का परीक्षण करने की कोशिश कर रहे हैं। आप देखना चाहते हैं कि क्या लॉक पूरी तरह से काम करता है जब 10,000 लोग प्रवेश करने की कोशिश करते हैं, या जब मौसम तूफानी होता है, या जब कोई वीआईपी (VIP) आता है।

समस्या क्या है? आपके पास परीक्षण करने के लिए 10,000 असली लोग नहीं हैं। और अगर होते भी, तो आप किसी वास्तविक कंपनी को यह आज़माने की अनुमति नहीं दे सकते कि वे अपने भवन में घुसने की कोशिश करें ताकि आपके लॉक का परीक्षण किया जा सके। वे अपना वास्तविक डेटा साझा नहीं करेंगे क्योंकि वह बहुत निजी है।

यही वह समस्या है जिसे आईआईटी खड़गपुर (IIT Kharagpur) के शोधकर्ता MuSimA नामक एक नए टूल के साथ हल कर रहे हैं।

MuSimA की कहानी यहाँ सरल शब्दों में दी गई है:

1. समस्या: सुरक्षा का "खाली जिम"

कंप्यूटर सुरक्षा की दुनिया में, एक सिस्टम है जिसे ABAC (एट्रिब्यूट-बेस्ड एक्सेस कंट्रोल) कहा जाता है। इसे एक क्लब के एक बहुत ही स्मार्ट बाउंसर की तरह समझें।

पुराने बाउंसर (RBAC): "क्या आप वीआईपी लिस्ट में हैं? हाँ? तो अंदर आ जाइए।"
स्मार्ट बाउंसर (ABAB): "क्या आप वीआईपी हैं? हाँ। क्या रात के 10 बज चुके हैं? नहीं। क्या आपने लाल टोपी पहनी है? हाँ। ठीक है, आप अंदर आ सकते हैं।"

इन स्मार्ट बाउंसरों को यह जांचने के लिए कि वे ठीक से काम कर रहे हैं या नहीं, शोधकर्ताओं को नकली लोगों, नकली वस्तुओं (जैसे फाइलें या दरवाजे) और नकली स्थितियों (जैसे "बारिश हो रही है" या "यह मंगलवार है") की एक विशाल सूची की आवश्यकता होती है।

अब तक, शोधकर्ताओं को इन नकली सूचियों को बनाने के लिए पुराने, भारी-भरकम टूल्स का उपयोग करना पड़ता था। ये टूल्स कठोर पुतलों (mannequins) की तरह थे—वे केवल एक ही मुद्रा में खड़े रह सकते थे। आप उन्हें यह नहीं कह सकते थे कि, "वीआईपी लोगों को बेल कर्व (बीच में बहुत अधिक, किनारों पर कम) के रूप में लाओ" या "बारिश के दिनों को रैंडम तरीके से बनाओ।" वे आपको हर बार वही पुराना, उबाऊ डेटा देते थे।

2. समाधान: MuSimA (डिजिटल क्ले/मिट्टी)

MuSimA एक नया वेब टूल है जो डिजिटल क्ले (डिजिटल मिट्टी) की तरह काम करता है। यह शोधकर्ताओं को अपनी खुद की एकदम सटीक, नकली सुरक्षा दुनिया को आकार देने की अनुमति देता है।

आप MuSimA को कैसे बताते हैं कि आपको क्या चाहिए?
आपके पास निर्देश देने के दो तरीके हैं, जैसे किसी बहुत समझदार सहायक से बात करना:

"टेक टॉक" का तरीका (JSON): आप एक कोड फ़ाइल (एक रेसिपी की तरह) लिखते हैं जिसमें लिखा होता है, "मुझे 1,000 उपयोगकर्ता, 500 फाइलें चाहिए, और उपयोगकर्ताओं का वितरण बेल कर्व की तरह होना चाहिए।"
"डूडल" का तरीका (मल्टी-मोडल): यह सबसे शानदार हिस्सा है। यदि आप कोडिंग में अच्छे नहीं हैं, तो आप बस एक कागज पर एक स्केच (रेखाचित्र) बना सकते हैं!
- उदाहरण: आप एक नैपकिन पर एक पहाड़ी जैसा आकार बनाते हैं ताकि यह दिखाया जा सके कि आप "नॉर्मल डिस्ट्रीब्यूशन" (एक बेल कर्व) चाहते हैं।
- MuSimA एक लार्ज लैंग्वेज मॉडल (LLM)—मूल रूप से एक सुपर-स्मार्ट AI जो "देख" सकता है—का उपयोग करता है ताकि आपके रेखाचित्र को देख सके। यह कहता है, "आह, मैं एक पहाड़ी देख रहा हूँ। आप यहाँ एक पीक (शिखर) और यहाँ एक चौड़ाई वाला बेल कर्व चाहते हैं।" इसके बाद यह आपके डूडल को उस गणितीय कोड में बदल देता है जिसकी उसे अपना डेटा बनाने के लिए आवश्यकता है।

3. यह कैसे काम करता है: फैक्ट्री फ्लोर

एक बार जब आप MuSimA को अपने निर्देश (या तो रेसिपी या ड्राइंग के माध्यम से) दे देते हैं, तो यह पाँच चरणों में काम शुरू करता है:

पात्रों का निर्माण (Building the Cast): यह पात्रों की एक कास्ट बनाता है: उपयोगकर्ता (विषय), फाइलें (वस्तुएं), और स्थितियां (पर्यावरण)।
उन्हें गुण देना: यह उन्हें एट्रिब्यूट्स (विशेषताएं) देता है। शायद यूजर #1 के पास "लाल टोपी" है और यूजर #2 के पास "नीली टोपी" है।
जादुई वितरण (The Magic Distribution): यह असली सीक्रेट सॉस है। यह इन गुणों को आपके द्वारा मांगे गए आकार के आधार पर असाइन करता है। यदि आपने बेल कर्व बनाया है, तो अधिकांश उपयोगकर्ताओं के पास "लाल टोपी" होगी, लेकिन कुछ के पास "नीली" होगी। यदि आपने एक सीधी रेखा खींची है, तो सभी को समान मिश्रण मिलेगा।
नियम लिखना: यह सुरक्षा नियम बनाता है। "यदि आपके पास लाल टोपी है और बारिश हो रही है, तो आप अंदर आ सकते हैं।"
अंतिम रिपोर्ट: यह एक ज़िप फ़ाइल निकालता है जिसमें आपकी पूरी नकली दुनिया होती है, जिसे आप डाउनलोड करके अपने सुरक्षा सिस्टम का परीक्षण करने के लिए तैयार कर सकते हैं।

4. यह इतना बड़ा अवसर क्यों है?

शोधकर्ताओं ने यह सुनिश्चित करने के लिए MuSimA का परीक्षण किया कि यह केवल एक खिलौना नहीं है। उन्होंने इसे 1,00,000 उपयोगकर्ताओं के विशाल डेटासेट के साथ उत्पन्न करने के लिए कहा।

परिणाम: नकली डेटा उनके द्वारा मांगे गए आकारों से लगभग पूरी तरह मेल खाता था। इसकी "त्रुटि दर" (error rate) 5% से भी कम थी।
उपमा: कल्पना कीजिए कि आप एक शेफ से 1,00,000 कुकीज़ बनाने के लिए कहते हैं जहाँ 50% चॉकलेट, 30% वैनिला और 20% स्ट्रॉबेरी हों, और वे एक विशिष्ट पैटर्न में व्यवस्थित हों। MuSimA ने उन्हें इतनी सटीकता से बनाया कि यदि आप उन्हें चखते, तो आपको लगता कि वे असली हैं।

5. "अपना मॉडल खुद लाएं" ट्विस्ट

आमतौर पर, जब आप किसी वेब टूल का उपयोग करते हैं, तो आपको अपना डेटा उस कंपनी को सौंपना पड़ता है। लेकिन MuSimA ओपन सोर्स है।

उपमा: अधिकांश टूल्स एक रेस्टोरेंट की तरह हैं जहाँ आपको उनका खाना खाना पड़ता है। MuSimA आपको रेसिपी और किचन देने जैसा है। आप इस टूल को अपने कंप्यूटर पर चला सकते हैं। यदि आप एक बैंक या अस्पताल हैं जो गोपनीयता को लेकर चिंतित है, तो आप अपना वास्तविक डेटा इंटरनेट पर भेजे बिना अपना खुद का नकली डेटा बनाने के लिए MuSimA को स्थानीय रूप से (locally) चला सकते हैं।

सारांश

MuSimA एक ऐसा टूल है जो सुरक्षा शोधकर्ताओं को कस्टम-मेड, नकली सुरक्षा दुनिया बनाने की अनुमति देता है।

आप नियमों को कोड कर सकते हैं या उन्हें ड्रॉ (चित्रित) कर सकते हैं।
यह आपके चित्रों को समझने के लिए AI का उपयोग करता है।
यह विशाल, वास्तविक दिखने वाले डेटासेट बनाता है जो यह जांचने में मदद करते हैं कि सुरक्षा प्रणालियाँ वास्तव में सुरक्षित हैं या नहीं।
यह मुफ्त है और निजी है (आप इसे स्वयं चला सकते हैं)।

यह टेस्ट डेटा बनाने के उबाऊ, कठोर कार्य को एक रचनात्मक, लचीली प्रक्रिया में बदल देता है, जिससे यह सुनिश्चित होता है कि हमारे डिजिटल जीवन की रक्षा करने वाली सुरक्षा प्रणालियों का परीक्षण सबसे वास्तविक परिदृश्यों के विरुद्ध किया जा सके।

यहाँ शोध पत्र "MuSimA: एक टूल विद मल्टी-मोडल इनपुट फॉर जनरेटिंग बेस्पोक ABAC डेटासेट्स" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

एट्रिब्यूट-बेस्ड एक्सेस कंट्रोल (ABAC) अनुसंधान में महत्वपूर्ण प्रगति के बावजूद, जिसमें पॉलिसी माइनिंग, नेचुरल लैंग्वेज एक्सट्रैक्शन और स्केलेबिलिटी सुधार शामिल हैं, यह क्षेत्र परीक्षण के लिए उच्च गुणवत्ता वाले, स्केलेबल सिंथेटिक डेटासेट्स की भारी कमी से जूझ रहा है।

वास्तविक डेटा की सीमाएँ: गोपनीयता संबंधी चिंताओं के कारण संगठन वास्तविक एक्सेस कंट्रोल लॉग्स को शायद ही कभी साझा करते हैं। उपलब्ध कुछ सार्वजनिक डेटासेट्स (जैसे Amazon Kaggle, Amazon UCI) निश्चित आकार के हैं, उनमें पर्यावरणीय एट्रिब्यूट्स (एक प्रमुख विभेदक) की कमी है, और अक्सर स्पष्ट नियम सेट (rule sets) भी नहीं होते हैं।
मौजूदा टूल्स की सीमाएँ:
- Xu & Stoller के डेटासेट्स: ये मामूली पूर्व-निर्धारित विविधताओं तक सीमित हैं और डोमेन-विशिष्ट वितरण (domain-specific distributions) उत्पन्न नहीं कर सकते।
- ConGRASS: यह कंडीशनल टैबुलर GAN का उपयोग करता है लेकिन यह मूल प्रशिक्षण डेटासेट्स की एट्रिब्यूट डाइमेंशनलिटी से सख्ती से बंधा हुआ है।
- ABAC Lab: यह फिक्स्ड पैरामीटर्स के साथ पॉलिसी माining पर ध्यान केंद्रित करता है और उपयोगकर्ता-निर्दिष्ट एट्रिब्यूट डिस्ट्रीब्यूशन या पर्यावरणीय एट्रिब्यूट्स का समर्थन नहीं करता है।
अंतराल (The Gap): ऐसा कोई मौजूदा टूल नहीं है जो शोधकर्ताओं को अनुकूलन योग्य एट्रिब्यूट वैल्यू डिस्ट्रीब्यूशन (जैसे Normal, Poisson, Uniform) के साथ बड़े पैमाने पर, बेस्पोक (bespoke) ABAC डेटासेट्स उत्पन्न करने की अनुमति दे सके और पर्यावरणीय एट्रिब्यूट्स का समर्थन करे।

2. कार्यप्रणाली: MuSimA (Methodology: MuSimA)

MuSimA (मल्टी-मोडल सिम्युलेटर फॉर ABAC सिस्टम्स) एक वेब-आधारित टूल है जिसे उपयोगकर्ता द्वारा परिभाषित विशिष्टताओं के आधार पर सिंथेटिक ABAC डेटासेट्स उत्पन्न करने के लिए डिज़ाइन किया गया है। यह एक अनूठे मल्टी-मोडल इनपुट क्षमता के साथ एक मॉड्यूलर आर्किटेक्चर का उपयोग करता है।

A. इनपुट तंत्र (Input Mechanisms)

MuSimA दो प्रारूपों में विशिष्टताओं को स्वीकार करता है:

स्ट्रक्चर्ड JSON इनपुट: उपयोगकर्ता एक कॉन्फ़िगरेशन फ़ाइल (input.json) प्रदान करता है जो निम्नलिखित को परिभाषित करती है:
- एंटिटी काउंट्स: सब्जेक्ट्स ( $S$ ), ऑब्जेक्ट्स ( $O$ ), और एनवायर्नमेंटल एंटिटीज ( $E$ ) की संख्या।
- एट्रिब्यूट डेफिनिशन: प्रत्येक एंटिटी प्रकार से जुड़े एट्रिब्यूट्स की संख्या और उनके संभावित मान।
- डिस्ट्रीब्यूशन स्पेसिफिकेशन: पैरामीटर्स जैसे मीन ( $\mu$ ), वेरिएंस ( $\sigma^2$ ), और रेट ( $\lambda$ ) सहित एट्रिब्यूट वैल्यूज के लिए संभाव्यता वितरण (Uniform, Truncated Normal, Poisson)।
- पॉलिसी रूल्स: वांछित 'परमिट' और 'डिनाय' नियमों की संख्या।
मल्टी-मोडल (हैंड-ड्रॉन) इनपुट: उपयोगकर्ता वांछित डिस्ट्रीबशंस के स्केच अपलोड कर सकते हैं।
- LLM इंटीग्रेशन: एक लार्ज लैंग्वेज मॉडल (विशेष रूप से Google का Gemini) डिस्ट्रीब्यूशन पैरामीटर्स निकालने के लिए हाथ से बने चित्रों का विश्लेषण करता है।
- इटरेटिव रिफाइनमेंट (पुनरावृत्ति परिशोधन): सिस्टम एक इटरेटिव लूप का उपयोग करता है जहाँ LLM मूल स्केच की तुलना एक अनुमानित (approximation) मॉडल से करता है। यदि अनुमानित मॉडल विचलित होता है (उदाहरण के लिए, यदि किनारों पर कर्व शून्य तक गिर जाता है जबकि स्केच ऊँचा रहता है), तो LLM पैरामीटर्स को रिफाइन करता है (जैसे $\sigma$ को बढ़ाना) जब तक कि सटीक मिलान प्राप्त न हो जाए।
- सुरक्षा: प्रॉम्प्ट इंजेक्शन को रोकने के लिए इनपुट इमेज को MIME टाइप चेक के माध्यम से सैनिटाइज किया जाता है।

B. डेटा जनरेशन प्रक्रिया (Data Generation Process)

एक बार पैरामीटर्स परिभाषित हो जाने के बाद, MuSimA पाँच-चरणीय जनरेशन पाइपलाइन को निष्पादित करता है:

एंटिटी और एट्रिब्यूट जनरेशन: सब्जेक्ट्स, ऑब्जेक्ट्स, एनवायरमेंट्स और उनके संबंधित एट्रिब्यूट्स के लिए यूनिक आइडेंटिफायर बनाता है।
एट्रिब्यूट वैल्यू जनरेशन: प्रत्येक एट्रिब्यूट के लिए संभावित मानों ( $V_a$ ) का सेट परिभाषित करता है।
एंटिटी-एट्रिब्यूट असाइनमेंट: निर्दिष्ट डिस्ट्रीब्यूशन के आधार पर एंटिटीज को वैल्यूज असाइन करता है:
- Normal: ट्रंकेटेड नॉर्मल डिस्ट्रीब्यूशन से सैंपल लेता है और परिणाम को डिस्क्रीट वैल्यूज में बिन (bin) करता है।
- Poisson: डिस्क्रीट वैल्यूज के लिए प्रोबेबिलिटी कैलकुलेट करता है, उन्हें नॉर्मलाइज़ करता है, और उसके अनुसार सैंपल लेता है।
- Uniform: समान प्रोबेबिलिटी के साथ वैल्यूज को रैंडमली चुनता है।
पॉलिसी जनरेशन: एट्रिब्यूट-वैल्यू पेयर्स के आधार पर परमिट ( $\Pi^+$ ) और डिनाय ( $\Pi^-$ ) रूल्स का निर्माण करता है। यह डिनाय-ओवरराइड्स (deny-overrides) सिमेंटिक्स को लागू करता है (एक डिनाय रूल, परमिट रूल को ओवरराइड करता है)।
एक्सेस कंट्रोल मैट्रिक्स (ACM) जनरेशन: प्रत्येक टुपल $(s, o, e)$ का पॉलिसी रूल्स के विरुद्ध मूल्यांकन करता है ताकि एक्सेस निर्णयों (परमिट के लिए 1, डिनाय के लिए 0) को निर्धारित किया जा सके।

C. आउटपुट फॉर्मेट (Output Formats)

टूल एक डाउनलोड करने योग्य Zip फ़ाइल जेनरेट करता है जिसमें शामिल है:

output.json: स्ट्रक्चर्ड डेटा जिसमें एंटिटी सेट्स, एट्रिब्यूट डेफिनिशन, वैल्यू मैपिंग और पॉलिसी रूल्स शामिल हैं।
ACM.txt: पूर्ण एक्सेस कंट्रोल मैट्रिक्स।
access_data.txt: मशीन लर्निंग ट्रेनिंग के लिए उपयुक्त फ्लैटन (flattened) डेटा।
डिस्ट्रीब्यूशन एटेस्टेशन: जनरेशन सटीकता को सत्यापित करने के लिए अपेक्षित बनाम वास्तविक डिस्ट्रीब्यूशन की तुलना करने वाली विजुअल रिपोर्ट्स।

3. मुख्य योगदान (Key Contributions)

पहला मल्टी-मोडल ABAC जनरेटर: एक टूल पेश करता है जो स्ट्रक्चर्ड JSON और हाथ से बने डिस्ट्रीब्यूशन स्केच दोनों को स्वीकार करता है, जिससे गैर-तकनीकी शोधकर्ताओं के लिए प्रवेश की बाधा कम हो जाती है।
LLM-ड्रिवन पैरामीटर एक्सट्रैक्शन: विजुअल स्केच को सटीक सांख्यिकीय पैरामीटर्स (मीन, वेरिएंस, लैम्ब्डा) में अनुवादित करने के लिए LLM और एक इटरेटिव रिफाइनमेंट मैकेनिज्म का उपयोग करने में अग्रणी है।
एनवायर्नमेंटल एट्रिब्यूट्स का समर्थन: पिछले टूल्स के विपरीत, MuSimA स्पष्ट रूप से एनवायर्नमेंटल कंडीशंस (जैसे समय, स्थान) का समर्थन करता है, जो आधुनिक ABAC सिस्टम का एक महत्वपूर्ण घटक है।
स्केलेबिलिटी और फ्लेक्सिबिलिटी: मनचाहे स्केल (जैसे 100,000+ सब्जेक्ट्स) और जटिल, उपयोगकर्ता-परिभाषित डिस्ट्रीब्यूशन के साथ डेटासेट्स बनाने में सक्षम।
ओपन सोर्स और प्राइवेसी: टूल ओपन-सोर्स और मॉड्यूलर है, जिससे संगठन क्लाउड-आधारित डेटा जनरेशन से जुड़ी गोपनीयता चिंताओं से बचने के लिए इसे स्थानीय रूप से चला सकते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने एक बड़े पैमाने के कॉन्फ़िगरेशन का उपयोग करके MuSimA को मान्य किया: 100,000 सब्जेक्ट्स, 2,500 ऑब्जेक्ट्स, 1,000 एनवायर्नमेंटल एंटिटीज, और 50 ऑथोराइजेशन रूल्स।

सटीकता मेट्रिक्स (Accuracy Metrics): सिस्टम ने अपेक्षित और वास्तविक एट्रिब्यूट वैल्यू काउंट के बीच त्रुटि को मापा।
- सब्जेक्ट एट्रिब्यूट्स: औसत त्रुटि 3.25%।
- ऑब्जेक्ट एट्रिब्यूट्स: औसत त्रुटि 5.45%।
- एनवायर्नमेंट एट्रिब्यूट्स: औसत त्रुटि 5.30%।
- कुल औसत त्रुटि: 4.66%।
डिस्ट्रीब्यूशन प्रदर्शन:
- यूनिफॉर्म डिस्ट्रीब्यूशन ने सबसे कम त्रुटि दिखाई।
- जटिल या अत्यधिक स्क्यूड (skewed) डिस्ट्रीब्यूशन (जैसे विशिष्ट पॉइसन केस) ने थोड़ी अधिक त्रुटि दिखाई लेकिन स्वीकार्य सीमाओं के भीतर रहे।
विजुअल वैलिडेशन: "अपेक्षित" बनाम "वास्तविक" काउंट की तुलना करने वाले ग्राफों ने पुष्टि की कि जेनरेट किया गया डेटा इनपुट डिस्ट्रीब्यूशन स्पेसिफिकेशन का बारीकी से पालन करता है।

5. महत्व और भविष्य की दिशाएं (Significance and Future Directions)

अनुसंधान प्रभाव: MuSimA ABAC अनुसंधान पारिस्थितिकी तंत्र में एक महत्वपूर्ण अंतर को भरता है, जो एक विश्वसनीय, अनुकूलन योग्य सिंथेटिक डेटा का स्रोत प्रदान करता है। यह पॉलिसी माइनिंग एल्गोरिदम, स्केलेबिलिटी अध्ययन और पॉलिसी इंफॉर्मेशन पॉइंट (PIP), डिसीजन पॉइंट (PDP), और एनफोर्समेंट पॉइंट (PEP) पर सुरक्षा विश्लेषण के लिए कठोर परीक्षण को सक्षम बनाता है।
भविष्य का कार्य:
- कोरिलेटेड एट्रिब्यूट्स (Correlated Attributes): भविष्य के संस्करणों में वास्तविक दुनिया के परिदृश्यों को बेहतर ढंग से दर्शाने के लिए एट्रिब्यूट्स के बीच सहसंबंध (correlation) को मॉडल करने का लक्ष्य है (वर्तमान में, एट्रिब्यूट्स स्वतंत्र रूप से जेनरेट किए जाते हैं)।
- लॉग एनालिसिस: वास्तविक पैटर्न को स्वचालित रूप से सीखने के लिए वास्तविक एक्सेस लॉग्स को एकीकृत करना।
- उन्नत नीतियां: समय/स्थान-आधारित स्थितियों, रोल पदानुक्रम (role hierarchies), और सेपरेशन-ऑफ-ड्यूटी बाधाओं के लिए समर्थन जोड़ना।
- बेंचमार्किंग: वास्तविकता को और अधिक प्रमाणित करने के लिए वास्तविक दुनिया के डेटासेट्स (जैसे Amazon UCI) के विरुद्ध MuSimA-जेनरेटेड डेटासेट्स की तुलना करना।

निष्कर्षतः, MuSimA ABAC अनुसंधान इंफ्रास्ट्रक्चर में एक महत्वपूर्ण कदम का प्रतिनिधित्व करता है, जो बेस्पोक डेटासेट्स उत्पन्न करने के लिए एक लचीला, सटीक और सुलभ टूल प्रदान करता है जो मौजूदा स्टेटिक या सिमुलेशन-आधारित दृष्टिकोणों की सीमाओं को दूर करता है।