論文の概要: Learning Failure-Inducing Models for Testing Software-Defined Networks
- arxiv url: http://arxiv.org/abs/2210.15469v3
- Date: Mon, 8 Jan 2024 10:49:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 00:34:29.990195
- Title: Learning Failure-Inducing Models for Testing Software-Defined Networks
- Title（参考訳）: ソフトウェア定義ネットワークをテストする失敗モデル学習
- Authors: Rapha\"el Ollando, Seung Yeob Shin, Lionel C. Briand
- Abstract要約: ソフトウェア定義ネットワーク(SDN)は、集中型ソフトウェアコントローラによって管理されるフレキシブルで効果的な通信システムを実現する。
このようなコントローラはSDNベースのシステムの基盤となる通信ネットワークを損なう可能性があるため、慎重にテストする必要がある。
本稿では,効果的なテストデータの生成と,正確な故障誘発モデル学習を目的とした,ファズSDNという機械学習誘導ファズリング手法を提案する。
- 参考スコア（独自算出の注目度）: 7.938813154188481
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software-defined networks (SDN) enable flexible and effective communication
systems that are managed by centralized software controllers. However, such a
controller can undermine the underlying communication network of an SDN-based
system and thus must be carefully tested. When an SDN-based system fails, in
order to address such a failure, engineers need to precisely understand the
conditions under which it occurs. In this article, we introduce a machine
learning-guided fuzzing method, named FuzzSDN, aiming at both (1) generating
effective test data leading to failures in SDN-based systems and (2) learning
accurate failure-inducing models that characterize conditions under which such
system fails. To our knowledge, no existing work simultaneously addresses these
two objectives for SDNs. We evaluate FuzzSDN by applying it to systems
controlled by two open-source SDN controllers. Further, we compare FuzzSDN with
two state-of-the-art methods for fuzzing SDNs and two baselines for learning
failure-inducing models. Our results show that (1) compared to the
state-of-the-art methods, FuzzSDN generates at least 12 times more failures,
within the same time budget, with a controller that is fairly robust to fuzzing
and (2) our failure-inducing models have, on average, a precision of 98% and a
recall of 86%, significantly outperforming the baselines.
- Abstract（参考訳）: ソフトウェア定義ネットワーク(SDN)は、集中型ソフトウェアコントローラによって管理される柔軟で効果的な通信システムを実現する。
しかし、そのようなコントローラはSDNベースのシステムの基盤となる通信ネットワークを損なう可能性があるため、慎重にテストする必要がある。
SDNベースのシステムが失敗した場合、そのような障害に対処するためには、エンジニアはそれが起こる条件を正確に理解する必要がある。
本稿では,(1)sdn系システムにおける障害につながる効果的なテストデータの生成,(2)システムが故障した条件を特徴付ける正確な障害誘発モデルの学習を目標とする,fuzzsdnという機械学習誘導ファジング手法を提案する。
私たちの知る限り、sdnsの2つの目的を同時に扱う既存の作業はありません。
2つのオープンソースSDNコントローラで制御されるシステムにFizzSDNを適用して評価する。
さらに,sdnsをファジングする2つの最先端手法と,障害誘発モデルを学ぶための2つのベースラインと比較した。
その結果,(1)最先端の手法と比較して,FazSDNはファジィングにかなり頑健なコントローラと,(2)故障発生モデルでは平均98%の精度と86%のリコールで,少なくとも12倍の故障を発生し,ベースラインを著しく上回っていることがわかった。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - C-RADAR: A Centralized Deep Learning System for Intrusion Detection in Software Defined Networks [0.0]
ソフトウェア定義ネットワーク(SDN)における侵入検出におけるディープラーニング(DL)技術の利用を提案する。
以上の結果から,DLに基づく手法は,検出精度と計算効率の点で従来の手法よりも優れていた。
このテクニックは、新しい攻撃パターンを検出し、SDN全体のセキュリティを改善するためにトレーニングすることができる。
論文 参考訳（メタデータ） (2024-08-30T15:39:37Z) - Reliability Quantification of Deep Reinforcement Learning-based Control [0.0]
本研究ではDRL制御の信頼性を定量化する手法を提案する。
信頼性は、参照と評価の2つのニューラルネットワークを使用して定量化される。
提案手法は、状態に応じて訓練されたモデルを切り替える問題に対して適用された。
論文 参考訳（メタデータ） (2023-09-29T04:49:49Z) - Smart filter aided domain adversarial neural network for fault diagnosis
in noisy industrial scenarios [11.094903196524404]
本稿では,スマートフィルタ支援ドメイン適応ニューラルネットワーク (SFDANN) と呼ばれる非教師付きドメイン適応 (UDA) 手法を提案する。
提案手法は、2つのステップから構成される。第1ステップでは、時間周波数領域におけるソースとターゲットドメインデータの類似性を動的に適用するスマートフィルタを開発する。
2番目のステップでは、スマートフィルタによって再構成されたデータをドメイン逆ニューラルネットワーク(DANN)に入力する。
論文 参考訳（メタデータ） (2023-07-04T01:47:00Z) - Detection of DDoS Attacks in Software Defined Networking Using Machine
Learning Models [0.6193838300896449]
本稿では,ソフトウェア定義ネットワーク(SDN)環境において,分散型サービス障害(DDoS)攻撃を検出する機械学習アルゴリズムの有効性について検討する。
その結果、MLベースの検出は、SDNにおけるDDoS攻撃を特定するためのより正確で効果的な方法であることが示唆された。
論文 参考訳（メタデータ） (2023-03-11T22:56:36Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳（メタデータ） (2022-10-08T04:32:58Z) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳（メタデータ） (2022-02-03T07:12:36Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳（メタデータ） (2021-09-02T16:06:45Z) - GAN-MDF: A Method for Multi-fidelity Data Fusion in Digital Twins [82.71367011801242]
Internet of Things(IoT)は、スマートファクトリ、インテリジェントロボット、ヘルスケアシステムなどの物理システムのリアルタイムデータを収集する。
高忠実度(HF)応答は、関心の系を正確に記述するが、コストがかかる。
低忠実性(LF)応答は計算コストが低いが、要求される精度を満たせなかった。
デジタル双生児(GAN-MDF)におけるMDFの新たな生成的対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-24T06:40:35Z) - DualNet: Locate Then Detect Effective Payload with Deep Attention
Network [3.502112118170715]
本稿では,一般的な特徴抽出段階と重要な特徴学習段階を備えたニューラルネットワークによる侵入検知システムDualNetを提案する。
我々の実験は、DualNetが従来のMLベースのNIDSよりも優れており、精度、検出率、誤警報率の点で既存のNIDのDLメソッドよりも効果的であることを示している。
論文 参考訳（メタデータ） (2020-10-23T05:32:21Z) - Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。
DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。
300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文 参考訳（メタデータ） (2020-07-17T08:32:11Z)
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。