基于属性的访问控制模型(ABAC)不同于其他传统的访问控制模型,通过属性对于系统中所包含的主体、客体、其他实体以及访问控制策略等进行描述,近年来受到了企业、学术界以及标准组织等各行各业的广泛关注。随着网络的快速普及和发展,现今网络服务以及用户数量迅猛增长,使得ABAC策略库变得愈加庞大、策略表达变得愈加复杂,进而导致用户获取访问请求对应的访问决策结果耗时过长,引发用户与实际系统之间的矛盾。本文从上述背景出发,以用户获取访问决策过程中的关键一步,策略匹配过程为研究重点,提出针对实际应用场景的不同策略匹配方法,以提升策略匹配效率,缓解用户与实际系统间的矛盾。针对一个基于ABAC的实际系统应用场景来说,系统中所包含的属性以及各个属性所对应的属性值的取值范围均可获得并且确定。此外,对于实际场景下的访问请求来说,会存在重复或是相似的请求,从而匹配到相同或是相似的策略。基于此,结合ABAC模型的特点以及策略匹配效率这个关键问题,抛开策略描述语言的限制,从挖掘系统中所包含的属性之间的关系出发,通过点互信息熵的计算以及频繁项集挖掘的方法,对于属性之间的相关性以及频繁性进行度量,从而提出以频繁属性项集挖掘结果为基础并且适用于不同实际系统的两种策略匹配方法,即基于策略重排序思想的策略库动态调整匹配方法(CFBR)以及基于策略相似性度量和策略分组的匹配方法(CFBG)。基于频繁属性项集挖掘结果以及重排序的思想,结合一段时间内访问请求中包含的属性统计量,给出对应的策略权重计算以及策略库调整方式,使得与该段时间内访问请求相关度较高的策略重排序至策略库中靠前位置,从而得到了适用于访问请求重复率较高的实际系统的CFBR策略匹配方法;基于频繁项集挖掘结果以及策略相似性度量及分组的思想,给出对应的策略相似度计算方法以及策略分组方式,从而得到了另一适用于访问请求重复率较低的实际系统的CFBG策略匹配方法。以上两策略匹配方法均不基于复杂的数据结构,易于理解和实现。最后,基于策略匹配框架以及两种策略匹配方法,设计并实现相关实验,结果表明,CFBR以及CFBG策略匹配方法不论是访问请求对应的策略匹配位置还是策略匹配时间等方面均优于直接匹配方法,能有效的提升本文所提出的获取访问决策过程中策略匹配效率的问题。