用途：分析现有用户-权限分配，挖掘并优化 RBAC 角色，减少角色爆炸和权限重叠，使权限更贴合业务职能并满足最小权限与合规要求。
主要能力：
- 自底向上：从现有权限数据发现共性模式，适合权限自然增长的大型数据集；自顶向下：从业务需求和岗位描述设计角色，适合新建 RBAC 或组织重构；混合方式适合多数生产环境。
- 算法：权限聚类（k-means 或层次聚类）、形式概念分析（FCA，识别共享精确权限集的用户组）、图挖掘（用户-权限二部图找稠密子图）、布尔矩阵分解（U ≈ R × P）。
- 度量：角色数量尽量少、覆盖率大于 95%、加权结构复杂度尽量低、偏差率小于 5%。
必要用法：准备用户-权限分配导出（CSV/数据库）、身份治理平台或目录服务访问、Python 3.9+ 及 pandas/scikit-learn/numpy，需理解组织与岗位职能，并组织干系人参与角色验证工作坊。典型流程为：提取用户-权限数据并构建二进制 UPA 矩阵；用聚类做自底向上角色发现（以轮廓系数选最优角色数，核心角色取集群内超过 80% 成员持有的权限）；用 FCA 挖掘频繁闭项集；评估覆盖率与偏差；再映射到业务部门/岗位做验证，识别异常权限，细化角色并定义角色层次与迁移计划。
限制：资料未提供具体生产环境部署要求、收费与价格、实施效果承诺；FCA 示例有性能上限（concepts 超过 100 即中断），实际规模需谨慎评估。相关标准与参考包括 NIST、ANSI/INCITS 359-2012 及 scikit-learn 聚类文档。