論文の概要: Enhancing Network Resilience through Machine Learning-powered Graph Combinatorial Optimization: Applications in Cyber Defense and Information Diffusion

• arxiv url: http://arxiv.org/abs/2310.10667v1
• Date: Fri, 22 Sep 2023 01:48:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 02:19:17.658717
• Title: Enhancing Network Resilience through Machine Learning-powered Graph Combinatorial Optimization: Applications in Cyber Defense and Information Diffusion
• Title（参考訳）: 機械学習によるグラフコンビネーション最適化によるネットワークレジリエンスの強化:サイバーディフェンスと情報拡散への応用
• Authors: Diksha Goel
• Abstract要約: この論文は、ネットワークのレジリエンスを高める効果的なアプローチの開発に焦点を当てている。 ネットワークのレジリエンスを高めるための既存のアプローチは、ネットワーク内のボトルネックノードとエッジを決定することを強調する。 この論文は、ネットワーク内のボトルネックノードとエッジを発見するための効率的で効率的でスケーラブルなテクニックを設計することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the burgeoning advancements of computing and network communication technologies, network infrastructures and their application environments have become increasingly complex. Due to the increased complexity, networks are more prone to hardware faults and highly susceptible to cyber-attacks. Therefore, for rapidly growing network-centric applications, network resilience is essential to minimize the impact of attacks and to ensure that the network provides an acceptable level of services during attacks, faults or disruptions. In this regard, this thesis focuses on developing effective approaches for enhancing network resilience. Existing approaches for enhancing network resilience emphasize on determining bottleneck nodes and edges in the network and designing proactive responses to safeguard the network against attacks. However, existing solutions generally consider broader application domains and possess limited applicability when applied to specific application areas such as cyber defense and information diffusion, which are highly popular application domains among cyber attackers. This thesis aims to design effective, efficient and scalable techniques for discovering bottleneck nodes and edges in the network to enhance network resilience in cyber defense and information diffusion application domains. We first investigate a cyber defense graph optimization problem, i.e., hardening active directory systems by discovering bottleneck edges in the network. We then study the problem of identifying bottleneck structural hole spanner nodes, which are crucial for information diffusion in the network. We transform both problems into graph-combinatorial optimization problems and design machine learning based approaches for discovering bottleneck points vital for enhancing network resilience.
• Abstract（参考訳）: コンピューティングとネットワーク通信技術の飛躍的な進歩により、ネットワークインフラストラクチャとそのアプリケーション環境はますます複雑になっています。 複雑化に伴い、ネットワークはハードウェアの障害にかかりやすくなり、サイバー攻撃の影響を受けやすい。 したがって、急速に成長するネットワーク中心のアプリケーションにとって、ネットワークのレジリエンスは、攻撃の影響を最小限に抑え、ネットワークが攻撃、障害、破壊の間に許容されるレベルのサービスを提供することを保証するために不可欠である。 本論は,ネットワークレジリエンス向上のための効果的なアプローチ開発に焦点を当てる。 ネットワークレジリエンスを強化する既存のアプローチでは、ネットワーク内のボトルネックノードとエッジの判定と、攻撃からネットワークを保護するための積極的な応答の設計が重視されている。 しかし、既存のソリューションは一般に広範なアプリケーションドメインを考慮し、サイバー攻撃者の間で非常に人気のあるアプリケーションドメインであるサイバー防御や情報拡散といった特定のアプリケーション領域に適用する場合に限定的な適用性を有する。 この論文は、サイバー防衛および情報拡散アプリケーションドメインにおけるネットワークのレジリエンスを高めるためにネットワークのボトルネックノードやエッジを発見するための効率的で効率的でスケーラブルな手法を設計することを目的としている。 まず,サイバー防衛グラフ最適化問題,すなわちネットワークのボトルネックエッジの発見によるアクティブディレクトリシステムの強化について検討する。 次に,ネットワークにおける情報拡散に不可欠であるボトルネック構造ホールスパンナーノードの同定の問題について検討する。 両問題をグラフ組合せ最適化問題に変換し、ネットワークレジリエンスを高める上で不可欠なボトルネック点を見つけるための機械学習ベースのアプローチを設計する。

関連論文リスト

• An Attentive Graph Agent for Topology-Adaptive Cyber Defence [1.0812794909131096]
  我々は,ネットワーク状態を有向グラフとして符号化するCyber Operations Research Gym(CybORG)環境のカスタムバージョンを開発する。 我々は、ノード、エッジ、グローバル機能を処理するために、グラフ注意ネットワーク(GAT)アーキテクチャを使用し、その出力を強化学習におけるポリシー勾配手法と互換性に適応させる。 我々は,シミュレーション中に予期せぬ接続が発生した場合でも,低レベル指向グラフ観測を用いてGAT防御ポリシーを訓練できることを実証した。
  論文  参考訳（メタデータ） (2025-01-24T18:22:37Z)
• Achieving Network Resilience through Graph Neural Network-enabled Deep Reinforcement Learning [64.20847540439318]
  深層強化学習(DRL)は多くの重要な通信ネットワークのタスクで広く利用されている。 グラフニューラルネットワーク(GNN)とDRLを組み合わせて、GNNを用いてネットワークの非構造的特徴を抽出する研究もある。 本稿では,GNNとDRLを組み合わせたレジリエントネットワークの構築について検討する。
  論文  参考訳（メタデータ） (2025-01-19T15:22:17Z)
• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• A Survey of Network Requirements for Enabling Effective Cyber Deception [0.0]
  本稿では,有効なサイバー詐欺手法の実装に不可欠なネットワーク要件について検討する。 多様なネットワークアーキテクチャとトポロジに注目して、ネットワーク特性と偽装機構の展開の間の複雑な関係を掘り下げる。
  論文  参考訳（メタデータ） (2023-09-01T00:38:57Z)
• FERN: Leveraging Graph Attention Networks for Failure Evaluation and Robust Network Design [46.302926845889694]
  我々は、スケーラブルな故障評価とロバストネットワーク設計のための学習ベースのフレームワークFERNを開発した。 FERNは、リッチな問題入力をグラフとして表現し、グラフから特徴抽出を注意深く実行することによって、ローカルとグローバルの両方のビューをキャプチャする。 複数のロバストなネットワーク設計問題を,それぞれ80倍,200倍,10倍以上スピードアップすることができる。
  論文  参考訳（メタデータ） (2023-05-30T15:56:25Z)
• Dynamic Network Reconfiguration for Entropy Maximization using Deep Reinforcement Learning [3.012947865628207]
  ネットワーク理論の鍵となる問題は、定量化対象を最適化するためにグラフを再構成する方法である。 本稿では、マルコフ決定過程(MDP)として、指定された構造特性を最適化するネットワークリウィリングの問題を提起する。 次に,Deep Q-Network(DQN)アルゴリズムとグラフニューラルネットワーク(GNN)に基づく一般的な手法を提案する。
  論文  参考訳（メタデータ） (2022-05-26T18:44:22Z)
• Cascaded Compressed Sensing Networks: A Reversible Architecture for Layerwise Learning [11.721183551822097]
  提案手法は, 補助ネットワークを必要とせずに, 圧縮センシングにより各層にネットワークをモデル化することにより, 対象の伝搬を実現することができることを示す。 実験により,提案手法は補助的なネットワークベース手法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2021-10-20T05:21:13Z)
• Sparsity in Deep Learning: Pruning and growth for efficient inference and training in neural networks [78.47459801017959]
  Sparsityは、モバイル機器に適合する通常のネットワークのメモリフットプリントを減らすことができる。 ニューラルネットワークの要素を除去および追加するためのアプローチ、モデルの疎性を達成するための異なるトレーニング戦略、実際に疎性を利用するメカニズムについて説明する。
  論文  参考訳（メタデータ） (2021-01-31T22:48:50Z)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)
• Learn2Perturb: an End-to-end Feature Perturbation Learning to Improve Adversarial Robustness [79.47619798416194]
  Learn2Perturbは、ディープニューラルネットワークの対角的堅牢性を改善するために、エンドツーエンドの機能摂動学習アプローチである。 予測最大化にインスパイアされ、ネットワークと雑音パラメータを連続的にトレーニングするために、交互にバックプロパゲーショントレーニングアルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-03-02T18:27:35Z)

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。