Access Control

less than 1 minute read

Published:

访问控制是在系统中基于访问控制规则对可执行的动作进行限制的安全机制。

访问控制定位

一万米视角下，访问控制在用户主体和受保护的资源客体间，限制主体的动作

5000米视角下，访问控制包括授权(Authorization)，验证(Authentication)和审计(Audit)三部分。授权指具体指明用户和角色可以执行的动作，验证指验证执行动作的是有授权的用户本人，审计包括审查安全日志，并在必要时对违反的用户进行惩罚。

在剩余部分中，主要讨论授权，不特殊指明的话下文中访问控制特指授权。授权在多个层级上都存在，从硬件、网络、数据库到操作系统和具体应用，授权对象从系统进程、主机、用户到程序。

访问控制的规则，模型和机制：

  • 规则：逻辑访问规则
  • 模型：规则的形式化描述
  • 机制：控制的低层级实现

访问控制的挑战：

  • 解释性：访问控制模型是否可以表达高等级规则
  • 性能：访问控制执行频繁，并且必须快速完成
  • 完全仲裁：能否发现并检查所有的动作
  • 安全性：访问控制机制的实现是否符合控制策略

访问控制模型

访问控制矩阵：标明每个用户对于每个资源的控制权限范围

模型角度

  • 强制访问控制模型(MAC):由操作系统控制
    • 权限由中央系统根据中心策略赋予，适用于多级安全系统或现代操作系统等对于重心控制有强烈需求的系统，灵活度较低，管理成本高
    • SELinux MAC model：使进程遵守MAC策略来限制对于文件和网络资源的访问。
      • 基于策略：使用定义好的策略接口来划分策略，改变策略不需要重启
  • 自由访问控制模型(DAC):由主体自行控制
    • 由资源所有者自行设定权限，灵活度较高，没有集中控制导致难以废除和改变，适用于文件和个人信息共享的控制。
    • The Graham-Denning DAC Model：为访问控制矩阵扩展控制和所属关系列，客体有一个所有者，主体有一个控制者，权限可以转移。可以通过创造和删除主体和客体，创造，转移和删除权限，检查授权状态等8种操作改变访问控制矩阵

权限授予角度

  • 基于个体的访问控制
  • 多级别访问控制
  • 基于角色的访问控制
  • 基于属性的访问控制

如何加强访问控制

实践中的重要技术

You May Also Enjoy

F-learning方法论文阅读笔记

less than 1 minute read

Published:

大型语言模型 (LLM) 的最新进展展示了其在文本理解和生成方面的卓越能力。然而，即使是更强大的 LLM 也容易从训练语料库中获取错误或过时的信息。直接使用包含新知识的数据进行二次微调可能会因新旧知识之间的冲突而无法有效更新知识。在本文中，我们提出了一种新的微调范式，称为 F-Learning（Forgetting before Learning），它使用参数算法来促进旧知识的遗忘和新知识的学习。在两个公开数据集上的实验结果表明，我们提出的 F-Learning 可以明显提高完全微调和 LoRA 微调的知识更新性能，在大多数情况下同时超越现有基线。此外，我们还发现通过减去 LoRA 的参数来忘记旧知识可以产生与减去完全微调的参数类似的效果，有时甚至会大大超过它。

latent adversarial unlearning方法论文阅读笔记

less than 1 minute read

Published:

虽然LLM在许多领域取得了成功，但仍然受到训练语料库中问题内容的困扰。LLM 反学习旨在减少它们的影响并避免不良行为。然而，现有的反学习方法仍然容易受到对抗性查询的攻击，并且反学习的知识会在手动设计的攻击查询之后重新出现。作为红队主动评估反学习模型漏洞的一部分，本文设计了动态反学习攻击 (DUA)，这是一个动态的自动化框架来攻击这些模型并评估其鲁棒性。它优化了对抗性后缀以在各种场景中重新引入未学习的知识。本文发现，即使不透露反学习模型的参数，55.2% 的问题也可以重现反学习的知识。为了解决这一弱点，本文提出了潜在对抗性反学习 (LAU)，这是一个通用框架，可以有效增强反学习过程的鲁棒性。它将反学习过程公式化为最小-最大优化问题，并通过两个阶段解决：攻击阶段，训练扰动向量并将其添加到 LLM 的潜在空间以恢复反学习的知识；防御阶段，使用先前训练的扰动向量来增强反学习模型的鲁棒性。借助LAU框架，本文获得了两种鲁棒的反学习方法：AdvGA 和 AdvNPO。本文在多个反学习基准和各种模型上进行了广泛的实验，并证明它们将反学习效果提高了 53.5% 以上，仅导致邻近知识减少不到 11.6%，并且几乎不影响模型的一般能力。

DEPN方法论文阅读笔记

less than 1 minute read

Published:

在大量数据上进行预训练的大型语言模型可以捕获训练数据中的丰富知识和信息。先前的研究揭示了预训练语言模型中数据记忆和反省的能力，这带来了数据泄露的风险。为了有效降低这些风险，本文提出了一个框架DEPN来检测和编辑预训练语言模型中的隐私神经元，部分灵感来自知识神经元和模型编辑。在DEPN中，本文引入了一种新方法，称为隐私神经元检测器，用于定位与隐私信息相关的神经元，然后通过将其激活设置为零来编辑这些检测到的隐私神经元。此外，本文提出了一种隐私神经元聚合器，以批处理方式取消记忆隐私信息。实验结果表明，DEPN可以显着有效地减少隐私数据泄露的风险，而不会降低模型的性能。此外，本文从多个角度（包括模型大小、训练时间、提示、隐私神经元分布）实证证明了模型记忆与隐私神经元之间的关系，说明了本文方法的鲁棒性。

PCGU论文阅读笔记

less than 1 minute read

Published:

最近的研究表明，大规模预训练语言模型往往会表现出与种族主义、性别歧视、宗教偏见和一般毒性有关的问题。不幸的是，这些预训练语言模型几乎普遍用于下游任务，而自然语言处理通常用于进行现实世界的预测。因此，在开发过程中尽早消除这些语言模型的偏见对于防止自然语言系统造成的无意伤害越来越重要。为此，我们提出了一种称为分区对比梯度反学习 (PCGU) 的新技术，这是一种用于消除预训练掩码语言模型偏见的灰盒方法。PCGU 旨在仅优化对特定偏见领域贡献最大的权重，通过基于对比句子对的梯度计算一阶近似来实现。我们的实验表明，PCGU 既成本低廉，又似乎特别有效地查明大型预训练 Transformer 中隐性社会偏见的来源。虽然我们仅在性别职业领域使用 PCGU 进行训练，但我们发现这样做也可以部分减轻其他领域的偏见。