[論文レビュー] Compliance as a Trust Metric

Wenbo Wu, George Konstantinidis|arXiv (Cornell University)|Jan 3, 2026

Access Control and Trust被引用数 0

ひとこと要約

論文は Automated Compliance Engine (ACE) を導入し、規制遵守を Trust and Reputation Management Systems の動的かつ定量的な信頼指標へ変換し、二値チェックを超えた細かな進化評価を可能にします。

ABSTRACT

Trust and Reputation Management Systems (TRMSs) are critical for the modern web, yet their reliance on subjective user ratings or narrow Quality of Service (QoS) metrics lacks objective grounding. Concurrently, while regulatory frameworks like GDPR and HIPAA provide objective behavioral standards, automated compliance auditing has been limited to coarse, binary (pass/fail) outcomes. This paper bridges this research gap by operationalizing regulatory compliance as a quantitative and dynamic trust metric through our novel automated compliance engine (ACE). ACE first formalizes legal and organizational policies into a verifiable, obligation-centric logic. It then continuously audits system event logs against this logic to detect violations. The core of our contribution is a quantitative model that assesses the severity of each violation along multiple dimensions, including its Volume, Duration, Breadth, and Criticality, to compute a fine-grained, evolving compliance score. We evaluate ACE on a synthetic hospital dataset, demonstrating its ability to accurately detect a range of complex HIPAA and GDPR violations and produce a nuanced score that is significantly more expressive than traditional binary approaches. This work enables the development of more transparent, accountable, and resilient TRMSs on the Web.

研究の動機と目的

• 信頼モデルに客観的な規制遵守信号（GDPR/HIPAA）を組み込む動機付け。
• ポリシーを機械検証可能なロジックへ形式化し、システムログの継続的監査を可能にする。
• 違反を時間とともに定量化する多次元スコアリングモデルを開発する。
• 従来の二値手法と比較して、スコアリング手法の実現可能性と表現力を評価する。

提案手法

• ACE を導入し、法を検証可能なロジックへ翻訳し、これらに対してシステムログを監査するホワイトボックス型フレームワーク。
• 遵守ルールを義務志向の一階命題論理ルールとして、トリガーと制約の要素を用いて形式化。
• 高レベルなポリシーを機械実行可能な Prolog ルールへ変換する LLM Translator を使用し、Prolog ベースの監査ツールで検証。
• 違反の意味論と Volume/Duration/Breadth/Criminality（重要度）などの指標を用いた多次元スコアモデルを定義。
• 指標を指数関数で正規化し、重み付き幾何平均で各ルールの大きさを算出。
• ルールごとの大きさを時系列で減衰させ、tanH を用いたマッピングで [0,1] に変換することで動的・進化的な遵守スコアを生成。
• MIMIC-III を動機とした Synthetic Hospital Dataset を用いたオープンソースのプロトタイプ実装を示し、GDPR/HIPAA ポリシー規則を含む。

Figure 1 : Binary Auditing vs. Our Fine-grained Auditing

実験結果

リサーチクエスチョン

• RQ1 規制遵守ルールを自動監査に適した機械検証可能な義務志向ロジックとして表現できるか。
• RQ2 正式化されたポリシーに対してシステムログから継続的に違反を検出できるか。
• RQ3 二値アプローチと比べて、多次元・定量的スコアリングモデルはより細かな、進化する遵守指標を提供できるか。
• RQ4 ACE アプローチは現実的なデータ量に対してスケールし、TRMS への信頼シグナルとして組み込めるか。
• RQ5 減衰パラメータ（例：lambda、alpha スケーリング）は、遵守スコアのダイナミクスと有用性に意味のある影響を与えるか。

主な発見

Log Type	Log Entries	Runtime (s)	Throughput (entries/s)	Peak Memory (MB)
Staff Activity Log	5,000	50.173	99.655	81.66
Staff Activity Log	10,000	112.006	89.281	81.5
Staff Activity Log	50,000	596.302	83.85	117.11
Staff Activity Log	100,000	1299.936	76.927	179.92
Staff Activity Log	200,000	2654.017	75.357	221.16
Staff Activity Log	500,000	6363.378	78.575	413.72
Patient Request Log	5,000	81.66	57.076	78.33
Patient Request Log	10,000	112.699	57.076	80.5
Patient Request Log	50,000	659.441	75.822	125.0
Patient Request Log	100,000	1291.577	77.425	159.62
Patient Request Log	200,000	2666.071	75.017	231.64
Patient Request Log	500,000	6688.031	74.76	485.39

• ACE は合成病院データセットのラベル付き違反で完璧な検出（100% リコール）を達成。
• 細粒度スコアモデルは複数の次元で深刻度を表現し、二値および件数ベースのベースラインを状況の識別性で上回る。
• 動的な時間減衰スコアは、静的な違反件数だけでなく、進化と更生の経路を捉える。
• 過去の違反の記憶は減衰定数で調整され、許容および回復率を調整可能。
• tanH マッピングによりスコアは [0,1] の範囲に保たれ、安定した TRMS 統合を保証。
• 経験的結果は線形に近い実行時間スケーリングとサブ線形のメモリ成長を示し、一般的なハードウェアでの中〜大規模オフライン監査を支持。

Figure 2 : Fine-Grained Compliance Component for TRMS