論文の概要: Proposal of a Novel Bug Bounty Implementation Using Gamification
- arxiv url: http://arxiv.org/abs/2009.10158v1
- Date: Mon, 21 Sep 2020 20:11:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 09:03:57.105568
- Title: Proposal of a Novel Bug Bounty Implementation Using Gamification
- Title（参考訳）: ゲーミフィケーションを用いた新規バグ報奨金方式の提案
- Authors: Jamie O'Hare and Lynsay A. Shepherd
- Abstract要約: 本稿では,資源需要を緩和し,固有の問題を緩和することを目的とした,新たなバグ報奨金プロセスを提案する。
ゲーミフィケーション要素の導入は、金銭的な報酬の代替となり、バグ報奨プログラムの有効性の軽減も可能となる。
- 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: Despite significant popularity, the bug bounty process has remained broadly
unchanged since its inception, with limited implementation of gamification
aspects. Existing literature recognises that current methods generate intensive
resource demands, and can encounter issues impacting program effectiveness.
This paper proposes a novel bug bounty process aiming to alleviate resource
demands and mitigate inherent issues. Through the additional crowdsourcing of
report verification where fellow hackers perform vulnerability verification and
reproduction, the client organisation can reduce overheads at the cost of
rewarding more participants. The incorporation of gamification elements
provides a substitute for monetary rewards, as well as presenting possible
mitigation of bug bounty program effectiveness issues. Collectively, traits of
the proposed process appear appropriate for resource and budget-constrained
organisations - such Higher Education institutions.
- Abstract（参考訳）: かなりの人気があったにもかかわらず、バグ報奨金プロセスは、ゲーム化の側面を限定して、その開始以来広く変わっていない。
既存の文献は、現在の手法がリソースの需要を集中的に生み出し、プログラムの有効性に影響を及ぼす問題に遭遇する可能性があることを認識している。
本稿では,資源要求の軽減と本質的課題の軽減を目的とした,新たなバグ報奨金プロセスを提案する。
脆弱性の検証と再現を行うレポート検証をクラウドソーシングすることで、クライアント組織はより多くの参加者に報いるコストでオーバーヘッドを削減することができる。
ゲーミフィケーション要素の導入は、金銭的な報酬の代替となり、バグ報奨プログラムの有効性の軽減の可能性を示す。
総合的に、提案されたプロセスの特徴は、リソースや予算に制約のある組織、例えば高等教育機関に当てはまる。
関連論文リスト
- Jailbreaking as a Reward Misspecification Problem [80.52431374743998]
本稿では,この脆弱性をアライメントプロセス中に不特定性に対処する新たな視点を提案する。
本稿では,報酬の相違の程度を定量化し,その有効性を実証する指標ReGapを紹介する。
ReMissは、報酬ミスの空間で敵のプロンプトを生成する自動レッドチームリングシステムである。
論文 参考訳（メタデータ） (2024-06-20T15:12:27Z) - Characterising Contributions that Coincide with Vulnerability Mitigation in NPM Libraries [10.975379354505318]
NPM GitHubプロジェクトは54の異なる脆弱性アドバイザリの影響を受け、合計4,699件のPRとイシューをマイニングしています。
ツール開発と開発者のワークロード管理の改善は、より効率的で効果的な脆弱性軽減プロセスを構築する可能性を秘めています。
論文 参考訳（メタデータ） (2024-06-17T09:33:08Z) - Incentivized Truthful Communication for Federated Bandits [61.759855777522255]
我々はTrath-FedBanという名前のインセンティブ互換通信プロトコルを提案する。
Truth-FedBanは、オーバーヘッドなしにサブ線形後悔と通信コストを保証します。
論文 参考訳（メタデータ） (2024-02-07T00:23:20Z) - Behavior Alignment via Reward Function Optimization [23.92721220310242]
設計者のドメイン知識と環境のプライマリ報酬を反映した補助報酬を統合する新しいフレームワークを導入する。
提案手法の有効性を,小型実験から高次元制御課題に至るまで,様々な課題に対して評価する。
論文 参考訳（メタデータ） (2023-10-29T13:45:07Z) - RAGUEL: Recourse-Aware Group Unfairness Elimination [2.720659230102122]
「algorithmic recourse」は、望ましくない結果を変えるための実行可能な回復行動を提供する。
ランク付けされたグループレベルのリコースフェアネスの概念を導入する。
我々は、ランク付けされたrecourse Fairness制約を満たす'recourse-aware ranking'ソリューションを開発する。
論文 参考訳（メタデータ） (2022-08-30T11:53:38Z) - Incentivizing Exploration in Linear Bandits under Information Gap [50.220743323750035]
線形バンディットにおけるミオピックユーザに対するインセンティブ探索の問題点について検討した。
長期報酬を最大化するために、システムは、ユーザに探索的な腕を引くインセンティブを与えるための補償を提供する。
論文 参考訳（メタデータ） (2021-04-08T16:01:56Z) - Cost-effective Variational Active Entity Resolution [4.238343046459798]
我々は,人間の関与コストを削減するために,ディープオートエンコーダが付与するロバスト性に基づくエンティティ解決手法を考案した。
具体的には、教師なし表現学習を行うことにより、ディープ・エンティティ・リゾリューション・モデルのトレーニングコストを削減する。
最後に,ディープ・オートエンコーダの利用によって与えられる特性に基づくアクティブ・ラーニング・アプローチにより,トレーニングデータのラベル付けコストを削減した。
論文 参考訳（メタデータ） (2020-11-20T13:47:11Z) - Reinforcement Learning with Efficient Active Feature Acquisition [59.91808801541007]
実生活では、情報取得は患者の医療検査に該当する可能性がある。
本稿では,アクティブな特徴獲得ポリシーを学習するモデルに基づく強化学習フレームワークを提案する。
この成功の鍵は、部分的に観察された状態から高品質な表現を学ぶ新しい逐次変分自動エンコーダである。
論文 参考訳（メタデータ） (2020-11-02T08:46:27Z) - Boosting Active Learning for Speech Recognition with Noisy
Pseudo-labeled Samples [14.472052505918045]
従来型のアクティブラーニングアプローチを促進する新たなトレーニングパイプラインを提案する。
提案したトレーニングパイプラインは,アクティブな学習手法の有効性を高めることができることを示す。
論文 参考訳（メタデータ） (2020-06-19T08:54:46Z) - Hierarchical Adaptive Contextual Bandits for Resource Constraint based
Recommendation [49.69139684065241]
コンテキスト多重武装バンディット(MAB)は、様々な問題において最先端のパフォーマンスを達成する。
本稿では,階層型適応型文脈帯域幅法(HATCH)を提案する。
論文 参考訳（メタデータ） (2020-04-02T17:04:52Z) - Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。
具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。
蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文 参考訳（メタデータ） (2020-03-06T06:28:17Z)
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。