論文の概要: Scalable Learning Environments for Teaching Cybersecurity Hands-on

• arxiv url: http://arxiv.org/abs/2110.10004v2
• Date: Wed, 5 Jan 2022 08:55:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-11 02:00:22.377834
• Title: Scalable Learning Environments for Teaching Cybersecurity Hands-on
• Title（参考訳）: サイバーセキュリティ教育のためのスケーラブルな学習環境
• Authors: Jan Vykopal, Pavel \v{C}eleda, Pavel Seda, Valdemar \v{S}v\'abensk\'y, and Daniel Tovar\v{n}\'ak
• Abstract要約: 本稿では,対話型学習環境を用いたサイバーセキュリティハンズオン授業のスケーラブル化のための技術革新について述べる。 我々は,サイバーセキュリティの授業を大規模に展開する学習環境の設計と利用における研究の取り組みと実践経験について述べる。
• 参考スコア（独自算出の注目度）: 0.4893345190925178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This Innovative Practice full paper describes a technical innovation for scalable teaching of cybersecurity hands-on classes using interactive learning environments. Hands-on experience significantly improves the practical skills of learners. However, the preparation and delivery of hands-on classes usually do not scale. Teaching even small groups of students requires a substantial effort to prepare the class environment and practical assignments. Further issues are associated with teaching large classes, providing feedback, and analyzing learning gains. We present our research effort and practical experience in designing and using learning environments that scale up hands-on cybersecurity classes. The environments support virtual networks with full-fledged operating systems and devices that emulate real-world systems. (...) Using the presented environments KYPO Cyber Range Platform and Cyber Sandbox Creator, we delivered the classes on-site or remotely for various target groups of learners (K-12, university students, and professional learners). The learners value the realistic nature of the environments that enable exercising theoretical concepts and tools. The instructors value time-efficiency when preparing and deploying the hands-on activities. Engineering and computing educators can freely use our software, which we have released under an open-source license. We also provide detailed documentation and exemplary hands-on training to help other educators adopt our teaching innovations and enable sharing of reusable components within the community.
• Abstract（参考訳）: 本論文は,対話型学習環境を用いたサイバーセキュリティハンズオン授業のスケーラブルな授業のための技術革新について述べる。 ハンズオン体験は学習者の実践的スキルを大幅に向上させる。 しかし、ハンズオンクラスの準備と提供は通常はスケールしない。 学生の小さなグループでも、授業環境や実践的な課題の準備にかなりの努力が必要である。 さらなる問題は、大きなクラスを教えること、フィードバックを提供すること、学習の利益を分析することである。 我々は,サイバーセキュリティの授業を大規模に展開する学習環境の設計と利用における研究の取り組みと実践経験を紹介する。 この環境は、実世界のシステムをエミュレートする本格的なオペレーティングシステムとデバイスを備えた仮想ネットワークをサポートする。 (...) 提示環境であるKYPO Cyber Range PlatformとCyber Sandbox Creatorを用いて, 様々な学習者(K-12, 大学生, プロの学習者)を対象に, オンライン, リモートで授業を行った。 学習者は、理論的な概念やツールの実行を可能にする環境の現実的な性質を重んじる。 インストラクターは、ハンズオン活動の準備と展開を行う際の時間効率を評価する。 エンジニアリングとコンピューティングの教育者は、当社がオープンソースライセンスでリリースしたソフトウェアを自由に使用できます。 私たちはまた、他の教育者が私たちの教えのイノベーションを採用し、コミュニティ内で再利用可能なコンポーネントを共有できるように、詳細なドキュメンテーションと模範的なハンズオントレーニングも提供します。

関連論文リスト

• An Innovative Solution: AI-Based Digital Screen-Integrated Tables for Educational Settings [0.0]
  デジタル画面統合テーブルは、特に教育的な設定のために設計されている。 中央処理ユニット(CPU)で制御される統合デジタルスクリーンを備えたテーブル 本発明は、教室活動及び評価中の学生成績データの収集を容易にする。
  論文  参考訳（メタデータ） (2024-10-08T08:00:17Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Human-oriented Representation Learning for Robotic Manipulation [64.59499047836637]
  人間は本質的に、操作作業において環境を効率的に探索し、相互作用することを可能にする、一般化可能な視覚表現を持っている。 我々は、このアイデアを、事前訓練された視覚エンコーダの上に、人間指向のマルチタスク微調整のレンズを通してフォーマル化する。 我々のタスクフュージョンデコーダは、下流操作ポリシー学習のための最先端の3つのビジュアルエンコーダの表現を一貫して改善する。
  論文  参考訳（メタデータ） (2023-10-04T17:59:38Z)
• Smart Environment for Adaptive Learning of Cybersecurity Skills [0.5735035463793008]
  我々は、サイバーセキュリティスキルを適応的にトレーニングするための、ユニークで斬新なスマート環境を設計した。 環境は様々な学生データを収集し、トレーニングを通じて適切な学習経路を割り当てる。 各種能力を有する114人の生徒が参加する2種類の適応学習を用いて,学習環境の評価を行った。
  論文  参考訳（メタデータ） (2023-07-11T14:20:29Z)
• Dexterous Manipulation from Images: Autonomous Real-World RL via Substep Guidance [71.36749876465618]
  本稿では,ユーザが新しいタスクを定義するための"プログラミング不要"なアプローチを提供する,視覚に基づくデクスタラスな操作システムについて述べる。 本システムには,最終タスクと中間タスクを画像例で定義するためのフレームワークが組み込まれている。 実世界における多段階物体操作の4指ロボットハンドラーによる実験結果
  論文  参考訳（メタデータ） (2022-12-19T22:50:40Z)
• DMCNet: Diversified Model Combination Network for Understanding Engagement from Video Screengrabs [0.4397520291340695]
  エンゲージメントは知的教育インタフェースの開発において重要な役割を果たしている。 非深さ学習モデルは、Histogram of Oriented Gradient(HOG)、SVM(Support Vector Machine)、SIFT(Scale Invariant Feature Transform)、SURF(Speeded Up Robust Features)といった一般的なアルゴリズムの組み合わせに基づいている。 ディープラーニングには、Densely Connected Convolutional Networks (DenseNet-121)、Residual Network (ResNet-18)、MobileNetV1がある。
  論文  参考訳（メタデータ） (2022-04-13T15:24:38Z)
• Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
  私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
  論文  参考訳（メタデータ） (2022-01-29T01:03:29Z)
• The Other Side of Black Screen: Rethinking Interaction in Synchronous Remote Learning for Collaborative Programming [0.0]
  協調学習環境は、批判的思考や問題解決といった経験的なハンズオンスキルの学習に不可欠である。 本稿では,新型コロナウイルスのパンデミック前後に提供される2つのプログラミングコースの,個人版とオンライン版について考察する。 現在のオンラインビデオ会議プラットフォームは、同僚間の協調学習を育むことはできない。
  論文  参考訳（メタデータ） (2021-11-11T01:52:12Z)
• Teaching Creativity Using a Realistic Multi-User Operation: Packet Tracer [0.0]
  Packet Tracerのマルチユーザ機能は、ネットワーククラスにおける教育と学習の効率を高めるために、没入的な現実的な学習のインセンティブを提供する。 ワン・ツー・マン・リモート・リレー・サーバーのコンセプトを利用するマルチユーザー機能は、講師が一度に多くの生徒を遠隔操作し、テストすることを可能にする。
  論文  参考訳（メタデータ） (2020-12-27T01:56:26Z)
• The Ingredients of Real-World Robotic Reinforcement Learning [71.92831985295163]
  実世界で収集されたデータによって継続的に自律的に改善できるロボット学習システムに必要な要素について論じる。 本稿では,このようなシステムの特異なインスタンス化を事例として,デクスタラスな操作を事例として提案する。 我々は人間の介入なしに学習できることを実証し、現実世界の3本指の手で様々な視覚ベースのスキルを習得する。
  論文  参考訳（メタデータ） (2020-04-27T03:36:10Z)
• Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic Reinforcement Learning [109.77163932886413]
  本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。 この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。 事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
  論文  参考訳（メタデータ） (2020-04-21T17:57:04Z)

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。