論文の概要: Developing Optimal Causal Cyber-Defence Agents via Cyber Security
Simulation
- arxiv url: http://arxiv.org/abs/2207.12355v1
- Date: Mon, 25 Jul 2022 17:12:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 13:52:53.091664
- Title: Developing Optimal Causal Cyber-Defence Agents via Cyber Security
Simulation
- Title(参考訳): サイバーセキュリティシミュレーションによる最適因果サイバーディフェンスエージェントの開発
- Authors: Alex Andrew and Sam Spillard and Joshua Collyer and Neil Dhir
- Abstract要約: 最適化による(因果的な)意思決定モデルを備えた,新しいサイバーセキュリティシミュレータの統合を通じて,サイバーセキュリティの防衛について検討する。
我々は、シミュレーションネットワークのビューと、そのネットワーク内でレッドエージェントがどのように広がるかの因果モデルを備えた場合、DCBOがブルーエージェントとして機能することを提案する。
レッドエージェントによる侵入のコストを低減するために、DCBOがホストノードに対して最適な介入を行う方法を検討する。
- 参考スコア(独自算出の注目度): 0.4358626952482686
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we explore cyber security defence, through the unification of a
novel cyber security simulator with models for (causal) decision-making through
optimisation. Particular attention is paid to a recently published approach:
dynamic causal Bayesian optimisation (DCBO). We propose that DCBO can act as a
blue agent when provided with a view of a simulated network and a causal model
of how a red agent spreads within that network. To investigate how DCBO can
perform optimal interventions on host nodes, in order to reduce the cost of
intrusions caused by the red agent. Through this we demonstrate a complete
cyber-simulation system, which we use to generate observational data for DCBO
and provide numerical quantitative results which lay the foundations for future
work in this space.
- Abstract(参考訳): 本稿では,新たなサイバーセキュリティシミュレータと,最適化による意思決定モデルの統合を通じて,サイバーセキュリティの防衛について検討する。
特に最近発表されたアプローチである動的因果ベイズ最適化(DCBO)に注意が払われている。
シミュレーションネットワークの表示と,そのネットワーク内でレッドエージェントがどのように拡散するかの因果モデルにより,dcboがブルーエージェントとして機能することを提案する。
レッドエージェントによる侵入のコストを低減するために、DCBOがホストノードに対して最適な介入を行う方法を検討する。
そこで本研究では,DCBOの観測データを生成し,今後の研究の基盤となる数値計算結果を提供する,完全なサイバーシミュレーションシステムについて紹介する。
関連論文リスト
- Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection
in Power Distribution Grids [0.0]
本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)を提案する。
提案モデルは、Kirchhoffの法則を適用して、ニューラルネットワークの損失関数に物理原理を統合する。
論文 参考訳(メタデータ) (2023-12-08T00:05:13Z) - A Novel Supervised Deep Learning Solution to Detect Distributed Denial
of Service (DDoS) attacks on Edge Systems using Convolutional Neural Networks
(CNN) [0.41436032949434404]
ネットワークトラフィックにおけるDDoS攻撃を検出するための,新たなディープラーニングベースのアプローチを提案する。
本研究では、畳み込みニューラルネットワーク(CNN)と一般的なディープラーニングアルゴリズムの特性を利用する。
本研究は,DDOS攻撃検出における提案アルゴリズムの有効性を実証し,ネットワークトラフィックにおける2000の未確認フローに対して,.9883の精度を達成した。
論文 参考訳(メタデータ) (2023-09-11T17:37:35Z) - Efficient Network Representation for GNN-based Intrusion Detection [2.321323878201932]
過去数十年間、深刻な経済とプライバシーの被害を受けたサイバー攻撃の数が増加している。
本稿では,侵入検知タスクのトポロジ情報の提供を目的とした,フローのグラフとしての新しいネットワーク表現を提案する。
提案するグラフ構造を利用したグラフニューラルネットワーク(GNN)に基づくフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-11T16:10:12Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳(メタデータ) (2023-07-31T13:02:36Z) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳(メタデータ) (2022-04-18T09:25:06Z) - CyberLearning: Effectiveness Analysis of Machine Learning Security
Modeling to Detect Cyber-Anomalies and Multi-Attacks [5.672898304129217]
サイバーラーニング(CyberLearning)は、相関機能選択による機械学習ベースのサイバーセキュリティモデリングである。
本稿では,異常検出のためのバイナリ分類モデルと,各種サイバー攻撃に対するマルチクラス分類モデルについて考察する。
次に、複数の隠蔽層を考慮した人工知能ニューラルネットワークベースのセキュリティモデルを提案する。
論文 参考訳(メタデータ) (2021-03-28T18:47:16Z) - Automated Adversary Emulation for Cyber-Physical Systems via
Reinforcement Learning [4.763175424744536]
我々は,サイバー物理システムに対する敵エミュレーションに対するドメイン認識の自動化手法を開発した。
我々は、マルコフ決定プロセス(MDP)モデルを定式化し、ハイブリッドアタックグラフ上で最適なアタックシーケンスを決定する。
モデルベースおよびモデルフリー強化学習(RL)法を用いて,離散連続型MDPをトラクタブルな方法で解く。
論文 参考訳(メタデータ) (2020-11-09T18:44:29Z) - DSDNet: Deep Structured self-Driving Network [92.9456652486422]
本稿では,1つのニューラルネットワークを用いて物体検出,動き予測,動き計画を行うDeep Structured Self-Driving Network (DSDNet)を提案する。
我々は,アクター間の相互作用を考慮し,社会的に一貫したマルチモーダル未来予測を生成する,深く構造化されたエネルギーベースモデルを開発する。
論文 参考訳(メタデータ) (2020-08-13T17:54:06Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳(メタデータ) (2020-06-21T19:45:30Z) - Boosting Black-Box Attack with Partially Transferred Conditional
Adversarial Distribution [83.02632136860976]
深層ニューラルネットワーク(DNN)に対するブラックボックス攻撃の研究
我々は, 代理バイアスに対して頑健な, 対向移動可能性の新たなメカニズムを開発する。
ベンチマークデータセットの実験と実世界のAPIに対する攻撃は、提案手法の優れた攻撃性能を示す。
論文 参考訳(メタデータ) (2020-06-15T16:45:27Z)
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。