On Designing an Access Control Middleware for Large Language Models : A Deterministic Task-Oriented Framework = 대규모 언어 모델을 위한 접근제어 미들웨어 설계: 결정론적 작업 지향 프레임워크

다국어 초록 (Multilingual Abstract)

Large language models (LLMs) are increasingly deployed as autonomous agents that interpret user requests and execute tasks in enterprise systems. However, their probabilistic nature introduces fundamental challenges for access control: LLMs may misinterpret task boundaries, hallucinate unauthorized actions, or fail to account for implicit policy constraints. Existing approaches either enforce access control at the data layer or rely on LLMs themselves to make authorization decisions: both methods are insufficient for governing what tasks users are allowed to request. This thesis proposes a deterministic, task-oriented access control architecture that enforces authorization at the task specification level, before any LLM-generated actions are executed. Natural language requests are decomposed into structured task representations comprising actions, scopes, and operational constraints, which are normalized against organizational permission vocabularies. A formal policy decision point evaluates these structured representations through explicit rule matching and conflict detection, producing deterministic authorization decisions. Evaluation on the OrgAccess benchmark demonstrates that the proposed architecture significantly outperforms LLM-based authorization approaches, with a focus on complex scenarios involving multiple intents and concurrent permissions. The system achieves 92.54% rejection accuracy with a 7.45% false positive rate, substantially reducing unauthorized access grants compared to baselines while maintaining deterministic policy compliance.
Code, experimental data, and detailed results are available at: https://github.com/ghita-bkr/Deterministic-Access-Control-for-LLMs.git

국문 초록 (Abstract)

대규모 언어 모델(LLMs)은 사용자 요청을 해석하고 작업을 수행하는 자율 에이전트로서 기업 시스템 전반에 점점 더 널리 활용되고 있다. 그러나 LLM의 확률적 특성은 접근 제어 측면에서 근본적인 문제를 야기한다. 즉, LLM은 작업의 경계를 오해하거나, 권한이 없는 작업을 환각적으로 생성하거나, 암묵적인 정책 제약을 인식하지 못할 수 있다. 기존 접근 방식은 접근 제어를 데이터 계층에서 적용하거나, LLM 자체에 권한 판단을 맡기는 경우가 많으나, 이러한 방법들은 사용자가 요청할 수 있는 작업 자체를 통제하는 데에는 충분하지 않다. 본 논문은 LLM이 생성한 어떠한 행동도 실행되기 이전 단계에서, 작업 명세 수준(task specification level)에서 권한을 검증하는 결정론적(task-oriented) 접근 제어 아키텍처를 제안한다. 자연어로 표현된 사용자 요청은 행동(action), 범위(scope), 운영 제약(operational constraints)으로 구성된 구조화된 작업 표현으로 분해되며, 이는 조직의 권한 어휘 체계(permission vocabulary)에 따라 정규화된다. 이후 formal policy decision point가 명시적인 규칙 매칭과 충돌 탐지를 통해 이러한 구조화된 표현을 평가함으로써, LLM의 동작과 독립적인 결정론적 권한 판단을 수행한다. OrgAccess benchmark를 활용한 실험 평가 결과, 제안된 아키텍처는 다수의 동시 권한이 요구되는 복잡한 시나리오에서 LLM 기반 권한 판단 방식보다 현저히 우수한 성능을 보였다. 본 시스템은 92.54%의 거부 정확도(rejection accuracy)와 7.45%의 false positive rate를 달성하여, 기존 방법 대비 무단 접근 허용을 크게 감소시키는 동시에 정책 준수의 결정론성을 유지함을 확인하였다. 관련 코드, 실험 데이터 및 상세한 결과: https://github.com/ghita-bkr/Deterministic-Access-Control-for-LLMs.git

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Background and Motivation 1
• 1.2 Research Objectives and Contributions 2
• Chapter 2. System Architecture and Design 6
• 2.1. Overall Architecture and Design 6
• 2.1.1. Design Rationale 7
• 2.1.2. High-level Processing Flow 8
• 2.2. The Main Plane 8
• 2.2.1. Entity Normalization and Extraction 9
• 2.2.2. Intent Detection 11
• 2.2.3. BKT-based Validation 13
• 2.3. The Policy Plane 15
• 2.3.1. Permission Dictionary Processor 16
• 2.3.2. Permission Normalizer 17
• 2.3.3. Conflict Detector 18
• 2.3.4. Ledger 20
• 2.3.5. Policy Decision Point (OPA) 20
• Chapter 3. Experimental Evaluation 22
• 3.1. The OrgAccess Benchmark 22
• 3.2. Experimental Setup and Results 24
• 3.3. Runtime Performance Evaluation: Latency and Overhead 27
• Chapter 4. Discussion and Conclusion 34
• 4.1. Discussion and Conclusion 34
• 4.2. Future Work 35
• Bibliography 37
• Abstract (Korean) 40
• Appendix 41