定义一个完整、正确有效的角色集合和相关权限的过程称为角色工程。角色工程有两种方法，自下而上和自上而下。自上而下的方法主要是业务驱动的，根据给定工作职能的责任定义角色。自下而上的方法是使用数据挖掘技术根据已有访问权限抽象出角色。这种自下而上的方法被称为是角色挖掘。之前的研究方法大多是基于Apriori数据挖掘技术，并将所有权限同等对待。这些工作都没有包括预设权重分配以及基于频繁模式树（FP-tree）的频繁模式增长（FP-增长）数据挖掘技术。现有研究是致力于使用角色挖掘技术来帮助安全专家及管理员来实施有效的基于角色的访问控制（RBAC）。现在已经设计出不同的角色挖掘算法，大多数都是基于先验的方式（Apriori方法）。研究使用著名的基于FP-tree的频繁模式增长数据挖掘技术，这种技术比角色挖掘中使用的其他算法更为高效。基于先验的角色挖掘（Apriori）算法效率较低，因为它使用生成和测试的方法，即首先产生频繁的候选项目集，然后测试它们是否是频繁的，而基于FP-tree的角色挖掘的方法在空间和时间上都更高效，因为它可以不产生候选项目集而发现频繁项目。根据组织需要，使用该方法给予权限预先分配的权重。权重根据相关组织安全模型架构来确定。不同的组织有不同的安全级别，并根据自己的需要对权限进行分级。我们提出的方法在基于FP-Tree和FP-growth角色挖掘技术的角色挖掘算法中引入预设的权重。研究提出了一种新的方法来计算权限集合的权重、加权支持度和加权可信度，这在角色挖掘领域是一个重要增强。实验结果表明，研究提出的引入预设权重的基于FP-树的角色挖掘算法，在速度和效率方面均显示出了优越性。