Apple ML Research 推出 Prose2Policy：利用大模型将自然语言访问策略自动转化为可执行代码
Apple Machine Learning Research 发布了 Prose2Policy (P2P)，这是一个基于大语言模型的端到端管道，旨在将自然语言访问控制策略（NLACPs）自动转换为 Open Policy Agent (OPA) 的可执行 Rego 代码。该工具集成了策略检测、组件提取、模式验证、代码检查、编译及自动化测试生成等模块，以弥合人类可读需求与机器可执行策略之间的鸿沟。在 ACRE 数据集上的评估显示，其编译通过率达 95.3%，正负测试通过率分别达到 82.2% 和 98.9%，证明了其在零信任和合规驱动环境中的可靠性。
事件概述
Apple Machine Learning Research 推出了 Prose2Policy (P2P)，这是一套实用的基于大语言模型（LLM）的流水线工具。其核心功能是将自然语言形式的访问控制策略（Natural-Language Access Control Policies, NLACPs）自动翻译为可执行的 Rego 代码（Open Policy Agent, OPA 的策略语言）。
该设计旨在解决从人类可读的访问要求到机器可执行的“策略即代码”（Policy-as-Code, PaC）之间的转化难题，同时强调部署的可靠性和可审计性。
核心功能与流程
P2P 提供了一个模块化、端到端的处理管道，包含以下关键步骤：
- 策略检测：识别文本中的访问控制规则。
- 组件提取：从自然语言中提取策略逻辑要素。
- 模式验证：确保提取的结构符合预定义规范。
- 代码检查（Linting）：优化生成的代码质量。
- 编译：将逻辑转换为最终的 Rego 语法。
- 自动化测试：自动生成并执行测试用例以验证策略行为。
实验评估结果
研究团队在 ACRE 数据集上对 P2P 进行了评估，主要指标如下：
- 编译成功率：对于被接受的策略，编译成功率为 95.3%。
- 正向测试通过率：自动化测试中，预期通过的案例通过率为 82.2%。
- 负向测试通过率：预期应被拒绝的案例拦截率为 98.9%。
结论与意义
实验结果表明，Prose2Policy 能够生成语法健壮且行为一致的 Rego 策略。这种能力使其特别适用于对安全性要求极高的 零信任（Zero Trust） 架构以及需要严格合规审计的环境，有效降低了人工编写和维护策略代码的门槛与错误率。