論文の概要: Learning-driven Zero Trust in Distributed Computing Continuum Systems
- arxiv url: http://arxiv.org/abs/2311.17447v1
- Date: Wed, 29 Nov 2023 08:41:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 22:04:43.699543
- Title: Learning-driven Zero Trust in Distributed Computing Continuum Systems
- Title(参考訳): 分散コンピューティング連続システムにおける学習駆動ゼロ信頼
- Authors: Ilir Murturi, Praveen Kumar Donta, Victor Casamayor Pujol, Andrea
Morichetta, and Schahram Dustdar
- Abstract要約: ZT(Zero Trust)を学習技術と組み合わせることで、分散コンピューティング連続システムにおけるさまざまな運用およびセキュリティ上の課題を解決することができる。
我々はDCCS用に設計された新しい学習駆動型ZT概念アーキテクチャを提案する。
学習プロセスが要求を検出してブロックし、リソースアクセス制御を強化し、ネットワークオーバーヘッドを低減する方法を示す。
- 参考スコア(独自算出の注目度): 5.5676731834895765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Converging Zero Trust (ZT) with learning techniques can solve various
operational and security challenges in Distributed Computing Continuum Systems
(DCCS). Implementing centralized ZT architecture is seen as unsuitable for the
computing continuum (e.g., computing entities with limited connectivity and
visibility, etc.). At the same time, implementing decentralized ZT in the
computing continuum requires understanding infrastructure limitations and novel
approaches to enhance resource access management decisions. To overcome such
challenges, we present a novel learning-driven ZT conceptual architecture
designed for DCCS. We aim to enhance ZT architecture service quality by
incorporating lightweight learning strategies such as Representation Learning
(ReL) and distributing ZT components across the computing continuum. The ReL
helps to improve the decision-making process by predicting threats or untrusted
requests. Through an illustrative example, we show how the learning process
detects and blocks the requests, enhances resource access control, and reduces
network and computation overheads. Lastly, we discuss the conceptual
architecture, processes, and provide a research agenda.
- Abstract(参考訳): ゼロトラスト(ZT)と学習技術を組み合わせることで、分散コンピューティング継続システム(DCCS)における様々な運用およびセキュリティ上の課題を解決することができる。
集中型ZTアーキテクチャの実装は、連続コンピューティング(例えば、接続性や可視性に制限のある計算エンティティなど)には適さないと見なされる。
同時に、分散ZTをコンピューティング連続体に実装するには、リソースアクセス管理の意思決定を強化するためのインフラの制限と新しいアプローチを理解する必要がある。
このような課題を克服するために,DCCS用に設計された新しい学習駆動型ZT概念アーキテクチャを提案する。
我々は、Representation Learning (ReL)のような軽量な学習戦略を取り入れ、ZTコンポーネントをコンピューティング連続体に分散することで、ZTアーキテクチャサービス品質を向上させることを目指している。
ReLは脅威や信頼できない要求を予測することで意思決定プロセスを改善するのに役立ちます。
実証的な例を通して、学習プロセスが要求を検出してブロックし、リソースアクセス制御を強化し、ネットワークや計算オーバーヘッドを減らす方法を示す。
最後に,概念的アーキテクチャ,プロセス,研究課題について論じる。
関連論文リスト
- Structural Knowledge-Driven Meta-Learning for Task Offloading in
Vehicular Networks with Integrated Communications, Sensing and Computing [21.50450449083369]
タスクオフロードは、オンボードコンピューティングリソースが限られているため、遅延に敏感な車両用アプリケーションの厳格な要件を満たすための潜在的なソリューションである。
本稿では,モデルに基づくAMアルゴリズムとニューラルネットワークを併用した,創造的構造的知識駆動型メタラーニング(SKDML)手法を提案する。
論文 参考訳(メタデータ) (2024-02-25T03:31:59Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - Causal Semantic Communication for Digital Twins: A Generalizable
Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。
無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。
DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
論文 参考訳(メタデータ) (2023-04-25T00:15:00Z) - 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) - Digital Twin Virtualization with Machine Learning for IoT and Beyond 5G
Networks: Research Directions for Security and Optimal Control [3.1798318618973362]
デジタルツイン(DT)技術は、サイバー物理システムのリアルタイムデータ駆動モデリングのソリューションとして登場した。
我々は,クラウドコンピューティングを分散化して実装したDTフレームワークの概念階層アーキテクチャを構築した。
既存のシステム上での革新的な技術の開発と展開のリスクを下げることにおけるDTの重要性について論じる。
論文 参考訳(メタデータ) (2022-04-05T03:04:02Z) - Toward Multiple Federated Learning Services Resource Sharing in Mobile
Edge Networks [88.15736037284408]
本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。
共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。
シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
論文 参考訳(メタデータ) (2020-11-25T01:29:41Z) - A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G:
Integrating Domain Knowledge into Deep Learning [115.75967665222635]
超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。
ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。
このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
論文 参考訳(メタデータ) (2020-09-13T14:53:01Z) - Computation Offloading in Beyond 5G Networks: A Distributed Learning
Framework and Applications [26.276443044484918]
本稿では,第5世代のネットワークにおける計算オフロードについて考察する。
計算オフロード問題をマルチエージェントマルコフ決定プロセスとして定式化する。
本稿では,オンライン分散強化学習アルゴリズムの可能性を示すために,計算オフロードにおける資源オーケストレーションのケーススタディを提案する。
論文 参考訳(メタデータ) (2020-07-15T21:25:15Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。