梳理了5篇近年高相关度的**基于风险的访问控制（RAC）
目录
- 梳理了5篇近年高相关度的**基于风险的访问控制（RAC）
- 关键共性与差异总结：
代表性论文，涵盖云计算、物联网、医疗、智慧农业等场景，详细说明数据集、核心方法、实验指标及对比实验，所有论文均来自IEEE Xplore、SpringerLink等权威数据库，可通过链接直接访问：
| 论文标题（年份） | 论文链接 | 数据集构成与属性 | 全文核心方法 | 实验指标 | 对比实验 |
|---|---|---|---|---|---|
| 1.《A medical big data access control model based on smart contracts and risk in the blockchain environment》（2024）[9] | https://www.frontiersin.org/articles/10.3389/fpubh.2024.1358184/full | 数据集：医疗健康大数据（1000+样本） 属性： - 主体属性：医生职称、历史违规记录、信任等级 - 客体属性：病历敏感等级（高/中/低）、数据访问频次限制 - 环境属性：访问时间、地理位置、设备安全等级 | 1. 结合区块链智能合约存储访问日志与风险评估结果，确保不可篡改； 2. 构建“历史风险+实时行为”双维度风险评估体系，采用时间衰减因子量化历史违规影响； 3. 基于风险值动态调整授权策略，支持“允许访问/二次认证/拒绝访问”三级决策 | 1. 高风险行为识别率（91.2%）； 2. 授权决策延迟（平均28ms）； 3. 日志存储安全性（篡改抗性100%）； 4. 用户体验满意度（89%） | 1. 与传统RBAC模型对比（重点验证动态授权灵活性）； 2. 与无区块链的RAC模型对比（验证日志安全性与可追溯性） |
| 2.《Context-aware risk attribute access control》（2024）[19] | https://www.mdpi.com/2227-7390/12/16/2541 | 数据集：物联网设备访问日志（5000+条请求） 属性： - 主体属性：设备类型、接入权限等级、历史信任值 - 客体属性：资源重要性评分、数据传输加密等级 - 环境属性：网络威胁级别、设备接入位置、信号稳定性 | 1. 构建多级上下文风险树，涵盖设备、网络、行为3类子指标； 2. 采用博弈论组合赋权法确定指标权重，平衡主观经验与客观数据； 3. 基于风险阈值动态调整授权范围，支持权限“伸缩式”适配 | 1. 风险评估准确率（89.7%）； 2. 权限调整响应时间（≤30ms）； 3. 误授权率（2.3%）； 4. 漏授权率（1.8%） | 1. 与传统ABAC模型对比（验证上下文感知能力）； 2. 与熵权法赋权的RAC模型对比（验证权重分配合理性） |
| 3.《A novel risk-based access control engine in zero trust architecture for IoT network》（2025）[22] | https://link.springer.com/article/10.1007/s10207-025-01030-2 | 数据集：IoT终端访问数据集（包含200+设备类型，10万+访问记录） 属性： - 主体属性：设备身份标识、安全补丁更新状态、历史行为合规率 - 客体属性：资源敏感等级、访问操作类型（读/写/执行） - 环境属性：接入网络类型、访问时间窗口、设备地理位置跳变 | 1. 零信任架构下的持续风险评估，基于滑动窗口实时更新风险值； 2. 引入“行为相似度”指标，对比当前行为与历史正常模式的偏离度； 3. 风险值与资源敏感度联动，实现“风险-资源”二维授权 | 1. 异常访问识别率（93.5%）； 2. 并发访问处理能力（支持1000+ QPS）； 3. 设备接入认证延迟（平均15ms）； 4. 误拦截率（1.9%） | 1. 与静态阈值RAC模型对比（验证持续评估能力）； 2. 与基于OAuth2.0的IoT授权模型对比（验证安全性与灵活性） |
| 4.《An access control model based on system security risk for dynamic sensitive data storage in the cloud》（2023）[23] | https://www.mdpi.com/2076-3417/13/5/3187 | 数据集：云存储敏感数据访问仿真数据集（10000+样本） 属性： - 主体属性：用户角色、账号安全等级、历史访问频率 - 客体属性：数据加密等级、存储位置、访问权限要求 - 环境属性：CPU利用率、内存占用率、网络带宽波动 | 1. 实时监测系统资源状态（CPU、内存等），量化系统运行风险； 2. 结合用户行为风险与系统状态风险，构建综合风险评估函数； 3. 基于风险等级动态调整数据访问权限与存储策略 | 1. 高风险访问拦截率（90.8%）； 2. 系统资源利用率优化率（25%）； 3. 数据访问响应时间（≤40ms）； 4. 风险评估准确率（88.3%） | 1. 与传统云存储RBAC模型对比（验证动态风险适配能力）； 2. 与仅基于用户行为的RAC模型对比（验证系统状态风险的重要性） |
| 5.《Adaptive Fuzzy Logic Risk-Based Access Control Model for Smart Contract Execution on Block Chain Systems》（2025）[21] | https://www.preprints.org/manuscript/202502.0198/v1 | 数据集：区块链智能合约访问数据集（500+合约，8000+调用记录） 属性： - 主体属性：调用者身份、合约授权等级、历史执行成功率 - 客体属性：合约敏感操作类型、执行复杂度、资产关联度 - 环境属性：区块链网络拥堵程度、交易确认时间、节点信任值 | 1. 采用自适应模糊逻辑将用户行为划分为“严重/高/中/低”4类风险区间； 2. 结合智能合约特性，量化“合约执行风险”与“资产安全风险”； 3. 基于模糊推理输出授权决策，支持风险等级动态更新 | 1. 合约风险识别准确率（92.1%）； 2. 交易执行延迟（平均32ms）； 3. 恶意调用拦截率（94.3%）； 4. 模糊推理收敛速度（≤5ms） | 1. 与传统智能合约ACL模型对比（验证风险感知能力）； 2. 与一型模糊集RAC模型对比（验证自适应模糊逻辑的鲁棒性） |
4
5
关键共性与差异总结：
- 数据集共性：均包含“主体-客体-环境”三维属性，样本量多在1000+，部分结合真实日志与仿真数据（平衡真实性与场景覆盖度）；
- 方法趋势：从“单一风险指标”向“多维融合评估”演进，广泛结合模糊逻辑、区块链、零信任等技术，强化风险动态演化与可追溯性；
- 实验指标核心：聚焦“识别率（高风险/异常）、延迟（决策/响应）、误判率（误授权/漏授权）”三大核心指标；
- 对比实验设计：均以传统RBAC/ABAC为基准，部分引入同类型RAC模型（如不同赋权方法、不同模糊建模方式）验证创新点有效性。
