Fugu-MT 論文翻訳(概要): Tutorial on Course-of-Action (COA) Attack Search Methods in Computer Networks

論文の概要: Tutorial on Course-of-Action (COA) Attack Search Methods in Computer Networks

arxiv url: http://arxiv.org/abs/2205.13763v1
Date: Fri, 27 May 2022 05:37:07 GMT
ステータス: 処理完了
システム内更新日: 2022-05-30 13:58:33.249957
Title: Tutorial on Course-of-Action (COA) Attack Search Methods in Computer Networks
Title（参考訳）: コンピュータネットワークにおけるコース・オブ・アクション(COA)攻撃探索法に関するチュートリアル
Authors: Seok Bin Son, Soohyun Park, Haemin Lee, Joongheon Kim, Soyi Jung, and Donghwa Kim
Abstract要約: ネットワークサイズが大きくなるにつれて、従来のCOA攻撃法は、コンピューティングや通信資源の制限に悩まされる可能性がある。強化学習(RL)に基づくインテリジェントアルゴリズムは最も効果的な解の1つである。
参考スコア（独自算出の注目度）: 8.78504593920219
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In the literature of modern network security research, deriving effective and efficient course-of-action (COA) attach search methods are of interests in industry and academia. As the network size grows, the traditional COA attack search methods can suffer from the limitations to computing and communication resources. Therefore, various methods have been developed to solve these problems, and reinforcement learning (RL)-based intelligent algorithms are one of the most effective solutions. Therefore, we review the RL-based COA attack search methods for network attack scenarios in terms of the trends and their contrib
Abstract（参考訳）: 現代のネットワークセキュリティ研究の文献では、COAアタッチメント法を効果的かつ効果的に導入することは、産業とアカデミックにおける関心事である。ネットワークサイズが大きくなるにつれて、従来のCOA攻撃探索手法は、コンピューティングや通信資源の制限に悩まされる。そのため、これらの問題を解決するために様々な手法が開発され、強化学習(RL)に基づくインテリジェントアルゴリズムが最も効果的な解の1つである。そこで本稿では,ネットワーク攻撃シナリオを対象としたRLに基づくCOA攻撃探索手法について,その傾向と問題点を考察する。

関連論文リスト

A Survey for Deep Reinforcement Learning Based Network Intrusion Detection [3.493620624883548]
本稿では,ネットワーク侵入検出における深部強化学習(DRL)の可能性と課題について考察する。 DRLモデルの性能は分析され、DRLは将来性を持っているが、近年の多くの技術は未解明のままである。この論文は、現実世界のネットワークシナリオにおけるDRLの展開とテストを強化するための推奨事項で締めくくっている。
論文参考訳（メタデータ） (2024-09-25T13:39:30Z)
Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
論文参考訳（メタデータ） (2023-03-11T04:19:31Z)
MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文参考訳（メタデータ） (2023-02-02T18:27:20Z)
Spatio-Temporal Attack Course-of-Action (COA) Search Learning for Scalable and Time-Varying Networks [9.431571135358649]
ネットワークセキュリティ研究における重要なトピックの1つは、自律的なCOA攻撃探索法である。本稿では,新しい自律型COA技術を開発し,その内,知的空間アルゴリズムを設計する。スケーラブルかつ時間変化のあるネットワークに対する時間的攻撃COA探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-02T07:45:40Z)
Meta Reinforcement Learning with Successor Feature Based Context [51.35452583759734]
本稿では,既存のメタRLアルゴリズムと競合する性能を実現するメタRL手法を提案する。本手法は,複数のタスクに対して同時に高品質なポリシーを学習するだけでなく,短時間のトレーニングで新しいタスクに迅速に適応できる。
論文参考訳（メタデータ） (2022-07-29T14:52:47Z)
A Survey on Offline Reinforcement Learning: Taxonomy, Review, and Open Problems [0.0]
強化学習(RL)は、急速に人気が高まっている。高いコストと環境との相互作用の危険性のため、RLにはアクセスできない領域がまだ広い範囲にある。オフラインRLは、以前に収集されたインタラクションの静的データセットからのみ学習するパラダイムである。
論文参考訳（メタデータ） (2022-03-02T20:05:11Z)
Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文参考訳（メタデータ） (2021-10-18T00:50:34Z)
Improved Context-Based Offline Meta-RL with Attention and Contrastive Learning [1.3106063755117399]
SOTA OMRLアルゴリズムの1つであるFOCALを、タスク内注意メカニズムとタスク間コントラスト学習目標を組み込むことで改善します。理論解析と実験を行い、エンドツーエンドおよびモデルフリーの優れた性能、効率、堅牢性を実証します。
論文参考訳（メタデータ） (2021-02-22T05:05:16Z)
Rethink AI-based Power Grid Control: Diving Into Algorithm Design [6.194042945960622]
本稿では、アルゴリズム選択、状態空間表現、および報酬工学の側面からDRLベースの電圧制御の詳細な分析について述べる。本稿では,電力グリッドの動作点を直接効果的な動作にマッピングする模倣学習に基づく新しいアプローチを提案する。
論文参考訳（メタデータ） (2020-12-23T23:38:41Z)
Reannealing of Decaying Exploration Based On Heuristic Measure in Deep Q-Network [82.20059754270302]
本稿では,再熱処理の概念に基づくアルゴリズムを提案し,必要なときにのみ探索を促進することを目的とする。我々は、訓練を加速し、より良い政策を得る可能性を示す実証的なケーススタディを実施している。
論文参考訳（メタデータ） (2020-09-29T20:40:00Z)
CATCH: Context-based Meta Reinforcement Learning for Transferrable Architecture Search [102.67142711824748]
CATCHは、転送可能なarChitecture searcHのための、Context-bAsed meTa強化学習アルゴリズムである。メタラーニングとRLの組み合わせにより、CATCHは検索空間に依存しないまま、新しいタスクに効率的に適応できる。また、ImageNet、COCO、Cityscapesの競合ネットワークとしてクロスドメインアーキテクチャサーチを扱うこともできる。
論文参考訳（メタデータ） (2020-07-18T09:35:53Z)

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。