論文の概要: Security-Aware Virtual Network Embedding Algorithm based on Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2202.02452v1
• Date: Thu, 3 Feb 2022 03:25:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 17:11:25.692773
• Title: Security-Aware Virtual Network Embedding Algorithm based on Reinforcement Learning
• Title（参考訳）: 強化学習に基づくセキュリティ対応仮想ネットワーク埋め込みアルゴリズム
• Authors: Peiying Zhang, Chao Wang, Chunxiao Jiang, and Abderrahim Benslimane
• Abstract要約: 本稿では,強化学習(RL)に基づくセキュリティ対応VNEアルゴリズムを提案する。 セキュリティ問題に対して,各仮想ノードに対するセキュリティ要件レベル制約と,各基板ノードに対するセキュリティレベル制約を加えます。 実験の結果,提案アルゴリズムは,長期平均収益率,長期収益率,仮想ネットワーク要求(VNR)受け入れ率の観点から,他の一般的なアルゴリズムよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 26.095013017305483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual network embedding (VNE) algorithm is always the key problem in network virtualization (NV) technology. At present, the research in this field still has the following problems. The traditional way to solve VNE problem is to use heuristic algorithm. However, this method relies on manual embedding rules, which does not accord with the actual situation of VNE. In addition, as the use of intelligent learning algorithm to solve the problem of VNE has become a trend, this method is gradually outdated. At the same time, there are some security problems in VNE. However, there is no intelligent algorithm to solve the security problem of VNE. For this reason, this paper proposes a security-aware VNE algorithm based on reinforcement learning (RL). In the training phase, we use a policy network as a learning agent and take the extracted attributes of the substrate nodes to form a feature matrix as input. The learning agent is trained in this environment to get the mapping probability of each substrate node. In the test phase, we map nodes according to the mapping probability and use the breadth-first strategy (BFS) to map links. For the security problem, we add security requirements level constraint for each virtual node and security level constraint for each substrate node. Virtual nodes can only be embedded on substrate nodes that are not lower than the level of security requirements. Experimental results show that the proposed algorithm is superior to other typical algorithms in terms of long-term average return, long-term revenue consumption ratio and virtual network request (VNR) acceptance rate.
• Abstract（参考訳）: 仮想ネットワーク埋め込み(VNE)アルゴリズムは常にネットワーク仮想化(NV)技術の鍵となる問題である。 現在、この分野の研究には次のような問題がある。 VNE問題を解決する伝統的な方法はヒューリスティックアルゴリズムを使うことである。 しかし、この手法は手動の埋め込み規則に依存しており、VNEの実際の状況とは一致しない。 さらに、VNEの問題を解決するための知的学習アルゴリズムの利用がトレンドとなっているため、この手法は徐々に時代遅れになっている。 同時に、VNEにはいくつかのセキュリティ問題がある。 しかし、VNEのセキュリティ問題を解決するインテリジェントアルゴリズムは存在しない。 そこで本研究では,強化学習(RL)に基づくセキュリティ対応VNEアルゴリズムを提案する。 学習段階では,学習エージェントとしてポリシネットワークを使用し,抽出した基盤ノードの属性を入力として特徴行列を形成する。 この環境で学習エージェントを訓練し、各基板ノードのマッピング確率を得る。 テストフェーズでは、ノードをマッピング確率に応じてマッピングし、幅優先戦略(BFS)を用いてリンクをマップする。 セキュリティ問題に対して,各仮想ノードに対するセキュリティ要件レベル制約と,各基板ノードに対するセキュリティレベル制約を加えます。 仮想ノードは、セキュリティ要件のレベルよりも低い基板ノードにのみ組み込むことができる。 実験の結果, 提案アルゴリズムは, 長期平均リターン, 長期歳入率, 仮想ネットワーク要求 (vnr) の受入率において, 従来のアルゴリズムよりも優れていることがわかった。

関連論文リスト

• Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
  本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-25T07:42:30Z)
• VN Network: Embedding Newly Emerging Entities with Virtual Neighbors [59.906332784508706]
  本稿では,3つの課題に対処するため,VN(Virtual Neighbor)ネットワークという新しいフレームワークを提案する。 まず、近隣の空間問題を減らすために、ルールによって推測される仮想隣人の概念を導入する。 第二に、複雑なパターンを捉えるために、論理と対称パスのルールの両方を識別する。
  論文  参考訳（メタデータ） (2024-02-21T03:04:34Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Interpretable Option Discovery using Deep Q-Learning and Variational Autoencoders [9.432068833600884]
  DVQNアルゴリズムは、オプションベースの強化学習における開始条件と終了条件を特定するための有望なアプローチである。 実験により、DVQNアルゴリズムは自動開始と終了で、Rainbowに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2022-10-03T21:08:39Z)
• Network Resource Allocation Strategy Based on Deep Reinforcement Learning [4.751282319342761]
  本稿では,深部強化学習(DRL)に基づく二段階VNEアルゴリズムを提案する。 MLに基づく既存のVNEアルゴリズムは、基板ネットワーク表現とトレーニングモードの重要性を無視することが多いため、フル属性行列(FAM-DRL-VNE)に基づくDRL VNEアルゴリズムを提案する。 実験の結果,上記のアルゴリズムは他のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-03T06:53:00Z)
• Dynamic Virtual Network Embedding Algorithm based on Graph Convolution Neural Network and Reinforcement Learning [15.394489762270162]
  本稿では,このアルゴリズムに強化学習(RL)とグラフニューラルネットワーク(GNN)理論を適用した新しいタイプのVNEアルゴリズムを提案する。 自己定義された適合行列と適合値に基づいて,アルゴリズム実装の目的関数を設定し,効率的な動的VNEアルゴリズムを実現し,資源の断片化の度合いを効果的に低減した。
  論文  参考訳（メタデータ） (2022-02-03T02:37:45Z)
• Learning Optimal Antenna Tilt Control Policies: A Contextual Linear Bandit Approach [65.27783264330711]
  セルラーネットワークにおけるアンテナ傾きの制御は、ネットワークのカバレッジとキャパシティの間の効率的なトレードオフに到達するために不可欠である。 既存のデータから最適な傾き制御ポリシーを学習するアルゴリズムを考案する。 従来のルールベースの学習アルゴリズムよりもはるかに少ないデータサンプルを用いて最適な傾き更新ポリシーを作成できることを示す。
  論文  参考訳（メタデータ） (2022-01-06T18:24:30Z)
• Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
  本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。 破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T14:19:07Z)
• Neural Contextual Bandits with Deep Representation and Shallow Exploration [105.8099566651448]
  本稿では,深部ReLUニューラルネットワークの最後の隠蔽層を用いて,原特徴ベクトルを変換する新しい学習アルゴリズムを提案する。 既存のニューラルネットワークと比較して、ディープニューラルネットワークの最後の層でのみ探索する必要があるため、我々のアプローチは計算的にはるかに効率的です。
  論文  参考訳（メタデータ） (2020-12-03T09:17:55Z)
• Reachability Analysis for Feed-Forward Neural Networks using Face Lattices [10.838397735788245]
  本稿では,ニューラルネットワークの正確な到達可能な集合を入力集合に並列化する手法を提案する。 我々の手法は、出力セットが与えられた完全な入力セットを構築することができ、安全違反につながる任意の入力を追跡することができる。
  論文  参考訳（メタデータ） (2020-03-02T22:23:57Z)

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。