Spelling suggestions: "subject:"lönsamhetsmått""
1 |
Role Mining With Hierarchical Clustering and Binary Similarity Measures / Role mining med hierarkisk klustring och binära likhetsmåttOlsson, Magnus January 2023 (has links)
Role engineering, a critical task in role-based access control systems, is the process of identifying a complete set of roles that accurately reflect the structure of an organization. Role mining, a data-driven approach, utilizes data mining techniques on user-permission assignments represented as binary data to automatically derive these roles. However, relying solely on data-driven methods often leads to the generation of a large set of roles lacking interpretability. To address this limitation, this thesis presents a role mining algorithm, whose results can be viewed as an initial step in the role engineering process, in order to streamline the task of defining semantically meaningful roles, where human analysis is an inevitable post-processing step. The algorithm is based on hierarchical clustering analysis, and its main objective is identifying a sufficiently small set of roles that cover as large a proportion of the user-permission assignments as possible. To evaluate the performance of the algorithm, multiple real-world data sets representing diverse access control scenarios are utilized. The evaluation focuses on comparing various binary similarity measures, with the goal of determining the most suitable characteristics of a binary similarity measure to be used for role mining. The evaluation of different binary similarity measures provides insights into their effectiveness in achieving accurate role definitions to be used as a foundation for constructing meaningful roles. Ultimately, this research contributes to the advancement of role mining methodologies, facilitating improved access control systems that align with organizational needs and enhance security and efficiency. / Role engineering går ut på att identifiera en komplett uppsättning roller som återspeglar strukturen i en organisation och är en viktig uppgift när organisationer övergår till rollbaserad åtkomstkontroll. Role mining är en datadriven metod som använder data mining-tekniker på användarnas behörighetstilldelningar för att automatiskt härleda dessa roller. Dessa tilldelningar kan representeras som binär data. Att enbart förlita sig på datadrivna metoder leder dock ofta till att en stor uppsättning svårtolkade roller genereras. För att adressera denna begränsning har en role mining-algoritm utvecklas i det här arbetet. Genom att applicera algoritmen på den binära tilldelningsdatan kan de erhållna resultaten betraktas som ett inledande steg i role engineering-processen. Syftet är att effektivisera arbetet med att definiera semantiskt meningsfulla roller, där mänsklig analys är en oundviklig fas. Algoritmen är baserad på hierarkisk klustring och har som huvudsyfte att identifiera en lagom stor uppsättning roller som täcker så stor del av behörighetstilldelningarna som möjligt. För att utvärdera algoritmens prestanda appliceras den på flertalet datamängder insamlade från varierande verkliga åtkomstkontrollsystem. Utvärderingen fokuserar på att jämföra olika binära likhetsmått med målet att bestämma de mest lämpliga egenskaperna för ett binärt likhetsmått som ska användas för role mining. Utvärderingen av olika binära likhetsmått ger insikter i deras effektivitet att uppnå korrekta rolldefinitioner som kan användas som grund för att konstruera meningsfulla roller. Denna forskning bidrar till framsteg inom role mining och syftar till att underlätta övergången till rollbaserad åtkomstkontroll samt förbättra metoderna för att identifiera roller som överensstämmer med organisationsbehov och förbättrar säkerhet och effektivitet.
|
2 |
Algoritmisk jämförelse av musiksmak och personliga värderingar : Med användning av Spotifys Web APILundberg, Hampus January 2020 (has links)
Tidigare forskning visar att det finns en koppling mellan musiksmak och social attraktion mellan människor, eftersom delad musiksmak ofta innebär delade personliga värderingar, och delade personliga värderingar kan innebära större chans för social attraktion. Målet med undersökningen har varit att ta reda på om musiksmak har någon korrelation med personliga värderingar, och vilka algoritmer som i så fall skulle kunna användas för att beräkna korrelationen. En modell ställs upp för en teoretisk perfekt matchningsalgoritm mot vilken de undersökta algoritmerna testas och jämförs praktiskt. Studien, som är uppdelad i tre delar, undersöker algoritmerna närmare med hjälp av testdata i formen av datorgenererade värden i den första och andra delen. Den första delen använder data i formen av heltal (antalet förekomster av musikpreferens) och den andra använder data i formen av binära tal (förekomst eller ej av musikpreferens). Den tredje delen använder sig av användardata, från 13 deltagare, från Spotify samt från en enkät om personliga värderingar. Resultaten visar ingen uppenbar korrelation mellan personliga värderingar och musiksmak, vilket troligtvis beror på datamängderna; det kan vara så att det krävs mer detaljerad och strukturerad användardata än den som inhämtats och använts i denna undersökning för att få tydliga resultat. / Earlier research shows that there is a connection between music taste and social attraction between people, because shared music taste usually means shared personal values, and shared personal values could mean greater chance for social attraction. The goal with the project has been to find out if music taste is correlated with personal values, and what algorithms can be used to calculate that correlation. A model is defined for a perfect matching-algorithm against which the studied algorithms are tested and compared practically. The study, which is divided into three parts, investigates the algorithms closer using test data in the form of computer-generated values in the first and second part. The first part uses data in the form of integers (the number of occurences of a music preference) and the second part uses data in the form of binary numbers (occurence or not of a music preference). The third part uses real user data, from 13 participants, from Spotify and from a survey regarding personal values. The results show no apparent correlation between personal values and music taste, the cause of which is most likely the data; it could be that it takes more detailed and structured user data than the one used in this study to get clear results.
|
Page generated in 0.0538 seconds