WiMi는 효율적인 밀도를 개발했습니다.

뉴스 제공

2023년 8월 24일 오전 8시(ET)

이 기사를 공유하세요

베이징, 2023년 8월 24일 /PRNewswire/ -- 선도적인 글로벌 홀로그램 증강 현실("AR") 기술 공급업체인 WiMi Hologram Cloud Inc.(NASDAQ: WIMI)("WiMi" ​​또는 "회사")는 오늘 다음과 같이 발표했습니다. 정책 평가 성능 향상을 위해 효율적인 밀도-피크 클러스터링 알고리즘인 DPCEngine을 개발했습니다. 정책 세트의 클러스터링 구조를 식별하여 정책 평가의 복잡성을 줄입니다. 데이터 전처리, 밀도 피크 클러스터링, 전략 매칭 및 평가와 같은 주요 단계를 포함하는 WiMi DPCEngine의 구조 및 알고리즘 프로세스.

DPCEngine의 성능과 효율성을 평가하기 위해 크고 복잡한 정책 세트가 포함된 실제 데이터 세트를 사용하여 실험을 수행했습니다. 이 데이터 세트에는 다양한 도메인의 정책이 포함되어 있으며 광범위한 액세스 제어 시나리오를 다룹니다. 이 데이터 세트는 훈련 세트와 테스트 세트로 나누어지며, 훈련 세트는 DPCEngine 모델을 구축하는 데 사용되고 테스트 세트는 성능을 평가하는 데 사용됩니다.

WiMi의 연구원들은 DPCEngine을 선형 검색 기반 및 트리 구조 기반 방법을 포함한 기존 정책 평가 방법과 비교했습니다. 성능 지표의 두 가지 측면, 즉 정책 평가 시간과 일치 정확도가 평가되었습니다. 정책 평가 시간은 액세스 요청을 평가하는 데 필요한 시간이고, 일치 정확도는 DPCEngine의 일치 결과와 기존 방법 간의 일관성입니다.

DPCEngine은 정책 평가 시간 측면에서 상당한 성능 이점을 제공합니다. 전통적인 방법에 비해 DPCEngine은 특히 정책 세트가 크고 복잡한 경우 정책 평가 시간을 크게 줄일 수 있습니다. 이는 정책 세트를 더 작은 하위 집합으로 클러스터링하여 평가를 위한 검색 공간을 줄일 수 있는 DPCEngine에서 사용하는 밀도-피크 기반 클러스터링 알고리즘에 기인합니다.

일치 정확도 측면에서 WiMi DPCEngine의 실험 결과는 DPCEngine의 일치 결과와 기존 방법 간에 높은 수준의 일관성이 있음을 보여줍니다. 이는 DPCEngine이 전략 평가 성능을 향상시키면서 정확도를 희생하지 않는다는 것을 나타냅니다. 또한 다양한 규모의 정책 세트에서 DPCEngine의 성능을 평가하기 위해 확장성 실험을 수행했습니다. 결과는 DPCEngine이 대규모 정책 세트에 효과적으로 대처할 수 있고 좋은 확장성을 가지고 있음을 보여줍니다.

밀도 피크 클러스터링 알고리즘을 기반으로 하는 정책 평가 엔진인 WiMi의 DPCEngine은 전처리 정책 세트, 클러스터링된 정책 세트, 매칭 정책의 세 가지 주요 기능을 가지고 있습니다. 이러한 기능을 결합하여 사용하면 전략 평가의 효율성과 정확성을 크게 향상시킬 수 있습니다.

정책 세트 전처리: 전략 평가 전에 DPCEngine은 밀도 피크 클러스터링에 더 적합하도록 정책 세트를 전처리하여 데이터를 준비합니다. 전처리 프로세스에는 데이터 정리, 특징 추출, 데이터 변환과 같은 단계가 포함됩니다. 데이터를 정리하면 중복되거나 불완전하거나 잘못된 전략 정보가 제거되어 데이터의 정확성과 일관성이 보장됩니다. 평가 결과에 부정적인 영향을 미치지 마십시오. 반면에 기능 추출 프로세스는 후속 클러스터링 작업을 위해 사용자 역할, 리소스 유형 및 작업 권한과 같은 정책 세트에서 주요 기능을 추출합니다. 데이터 변환은 정책 세트를 클러스터링 분석을 위한 밀도 정점 클러스터링 알고리즘에 적합한 벡터 또는 행렬과 같은 데이터 표현으로 변환합니다.

클러스터된 정책 세트: DPCEngine은 DPC 알고리즘을 활용하여 정책 세트에 대한 클러스터링 작업을 수행합니다. DPCA(밀도 피크 클러스터링 알고리즘)는 전략 간의 밀도와 거리를 평가하여 일련의 전략에서 클러스터링 구조를 식별합니다. 알고리즘은 전략 간의 밀도와 거리를 기반으로 피크 포인트를 식별하고 피크 포인트 간의 전략을 여러 클러스터로 나눕니다. 이는 크고 복잡한 정책 세트를 더 작은 하위 세트로 클러스터링하여 정책 평가의 시간과 복잡성을 줄입니다. 여기서 각 클러스터는 비슷한 특성과 행동 패턴을 가진 정책 세트를 나타냅니다. 클러스터링된 정책 세트의 결과는 유사한 특성과 행동 패턴을 가진 정책 클러스터 세트이며, 이러한 클러스터링된 정책 세트 접근 방식은 정책 평가에 소요되는 시간과 계산 복잡성을 줄이고 시스템의 성능과 효율성을 향상시킵니다.