Évaluation et comparaison des modèles de contrôle d'accès
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
La protection des données et de la vie privée des personnes est devenue aujourd’hui \nun enjeu majeur pour les entreprises et les organisations gouvernementales qui collectent \net entreposent les données à caractère personnel. L’adoption d’une politique de sécurité \nest un impératif. Plusieurs modèles de contrôle d’accès sont proposés dans la littérature \npour guider les utilisateurs dans la mise en oeuvre de leurs politiques de sécurité. \nChacun de ces modèles a ses forces et faiblesses. Les systèmes de contrôle d’accès mis \nen place s’érigent souvent en de véritables obstacles, rendant inefficace le travail de \nleurs utilisateurs. Il convient de mieux connaître les modèles de contrôles d’accès avant \nde les implémenter. Ce mémoire présente une étude complète des modèles de contrôle \nd’accès RBAC, XACML et SGAC, en dégageant les enjeux auxquels les utilisateurs \ndevront s’attendre en adoptant ces modèles. RBAC et XACML ont été normalisés \nrespectivement par ANSI et OASIS et sont actuellement les modèles dominants dans \nl’industrie et dans le monde de la recherche. SGAC est un modèle proposé à la suite \nd’une étude, pour implémenter le contrôle d’accès aux dossiers médicaux au profit \ndu réseau de santé de Sherbrooke. Les récentes études ont montré que c’est dans \nle domaine de la santé que les violations de la vie privée sont plus fréquentes. Le \nmémoire présente aussi les principales exigences d’un système de contrôle d’accès dans \nle domaine de la santé. Sur la base des exigences identifiées, il propose une évaluation \ndes modèles de contrôle d’accès étudiés, et fournit une comparaison de ces modèles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle