論文の概要: Finding Effective Security Strategies through Reinforcement Learning and Self-Play

• arxiv url: http://arxiv.org/abs/2009.08120v2
• Date: Sun, 4 Oct 2020 16:22:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 08:52:03.147849
• Title: Finding Effective Security Strategies through Reinforcement Learning and Self-Play
• Title（参考訳）: 強化学習とセルフプレイによる効果的なセキュリティ戦略の探索
• Authors: Kim Hammar and Rolf Stadler
• Abstract要約: 私たちは、効果的なセキュリティ戦略が自己プレイから生まれることを示しています。 この領域における強化学習の既知の課題に対処する。 本手法は2つの基本手法よりも優れているが, 自己再生における政策収束は依然として課題である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a method to automatically find security strategies for the use case of intrusion prevention. Following this method, we model the interaction between an attacker and a defender as a Markov game and let attack and defense strategies evolve through reinforcement learning and self-play without human intervention. Using a simple infrastructure configuration, we demonstrate that effective security strategies can emerge from self-play. This shows that self-play, which has been applied in other domains with great success, can be effective in the context of network security. Inspection of the converged policies show that the emerged policies reflect common-sense knowledge and are similar to strategies of humans. Moreover, we address known challenges of reinforcement learning in this domain and present an approach that uses function approximation, an opponent pool, and an autoregressive policy representation. Through evaluations we show that our method is superior to two baseline methods but that policy convergence in self-play remains a challenge.
• Abstract（参考訳）: 侵入防止のユースケースに対して,セキュリティ戦略を自動的に発見する手法を提案する。 この方法に従い,攻撃者と防御者の相互作用をマルコフゲームとしてモデル化し,人間による介入なしに強化学習と自己遊びを通じて攻撃と防御戦略を進化させる。 簡単なインフラストラクチャ構成を使用することで,効果的なセキュリティ戦略が自己再生から生まれることを実証する。 これは、ネットワークセキュリティの文脈において、他のドメインで大きな成功を収めたセルフプレイが効果的であることを示している。 統合された政策の検査は、出現した政策が常識的な知識を反映し、人間の戦略と類似していることを示している。 さらに,この領域における強化学習の既知の課題に対処し,関数近似,対向プール,自己回帰的政策表現を用いたアプローチを提案する。 評価を通じて,本手法は2つの基本手法よりも優れているが,自己再生における政策収束は依然として課題であることを示す。

関連論文リスト

• Robust Image Classification: Defensive Strategies against FGSM and PGD Adversarial Attacks [0.0]
  敵対的攻撃は、画像分類におけるディープラーニングモデルの堅牢性に重大な脅威をもたらす。 本稿では,ニューラルネットワークのレジリエンスを高めるために,これらの攻撃に対する防御機構を探索し,洗練する。
  論文  参考訳（メタデータ） (2024-08-20T02:00:02Z)
• MirrorCheck: Efficient Adversarial Defense for Vision-Language Models [55.73581212134293]
  本稿では,視覚言語モデルにおける対角的サンプル検出のための,新しい,しかしエレガントなアプローチを提案する。 本手法は,テキスト・トゥ・イメージ(T2I)モデルを用いて,ターゲットVLMが生成したキャプションに基づいて画像を生成する。 異なるデータセットで実施した経験的評価により,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-06-13T15:55:04Z)
• Mutual-modality Adversarial Attack with Semantic Perturbation [81.66172089175346]
  本稿では,相互モダリティ最適化スキームにおける敵攻撃を生成する新しい手法を提案する。 我々の手法は最先端の攻撃方法より優れており、プラグイン・アンド・プレイ・ソリューションとして容易にデプロイできる。
  論文  参考訳（メタデータ） (2023-12-20T05:06:01Z)
• Learning Near-Optimal Intrusion Responses Against Dynamic Attackers [0.0]
  自動侵入応答について検討し,攻撃者とディフェンダーとの相互作用を最適な停止ゲームとして定式化する。 準最適ディフェンダー戦略を得るために,近似を用いてナッシュリリアを学習する架空のセルフプレイアルゴリズムを開発した。 このアプローチは、実用的なITインフラストラクチャのための効果的なディフェンダー戦略を生み出すことができる、と私たちは主張する。
  論文  参考訳（メタデータ） (2023-01-11T16:36:24Z)
• Learning Security Strategies through Game Play and Optimal Stopping [0.0]
  強化学習を用いた自動侵入防止について検討した。 我々は攻撃者とディフェンダーとの相互作用を最適な停止ゲームとして定式化する。 最適なディフェンダー戦略を得るために,架空の自己再生アルゴリズムであるT-FPを導入する。
  論文  参考訳（メタデータ） (2022-05-29T15:30:00Z)
• Model-Agnostic Meta-Attack: Towards Reliable Evaluation of Adversarial Robustness [53.094682754683255]
  モデル非依存型メタアタック(MAMA)アプローチにより,より強力な攻撃アルゴリズムを自動検出する。 本手法は、繰り返しニューラルネットワークによってパラメータ化された逆攻撃を学習する。 本研究では,未知の防御を攻撃した場合の学習能力を向上させるために,モデルに依存しない訓練アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-13T13:54:24Z)
• Multi-Task Federated Reinforcement Learning with Adversaries [2.6080102941802106]
  強化学習アルゴリズムは敵からの深刻な脅威となる。 本稿では,多タスク連関強化学習アルゴリズムの解析を行う。 攻撃性能が向上した適応攻撃法を提案する。
  論文  参考訳（メタデータ） (2021-03-11T05:39:52Z)
• Robust Federated Learning with Attack-Adaptive Aggregation [45.60981228410952]
  フェデレート学習は、モデル中毒やバックドア攻撃など、様々な攻撃に対して脆弱である。 本研究では,ロバスト学習のためのアタック・アダプティブ・アグリゲーション戦略を提案する。
  論文  参考訳（メタデータ） (2021-02-10T04:23:23Z)
• Learning Goal-oriented Dialogue Policy with Opposite Agent Awareness [116.804536884437]
  本稿では,目標指向対話における政策学習のための逆行動認識フレームワークを提案する。 我々は、その行動から相手エージェントの方針を推定し、この推定を用いてターゲットエージェントを対象ポリシーの一部として関連づけて改善する。
  論文  参考訳（メタデータ） (2020-04-21T03:13:44Z)
• Adversarial Augmentation Policy Search for Domain and Cross-Lingual Generalization in Reading Comprehension [96.62963688510035]
  理解モデルを読むことは、しばしばトレーニングデータセットのニュアンスに過度に適合し、敵対的な評価に失敗する。 本稿では,複数の効果的な敵と自動データ拡張ポリシー探索手法を提案し,対角的評価に対して,読解理解モデルをより堅牢にすることを目的とする。
  論文  参考訳（メタデータ） (2020-04-13T17:20:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。