Fugu-MT 論文翻訳(概要): Towards a Graph Neural Network-Based Approach for Estimating Hidden States in Cyber Attack Simulations

論文の概要: Towards a Graph Neural Network-Based Approach for Estimating Hidden States in Cyber Attack Simulations

arxiv url: http://arxiv.org/abs/2312.05666v1
Date: Sat, 9 Dec 2023 20:14:11 GMT
ステータス: 処理完了
システム内更新日: 2024-03-18 12:46:22.711965
Title: Towards a Graph Neural Network-Based Approach for Estimating Hidden States in Cyber Attack Simulations
Title（参考訳）: サイバー攻撃シミュレーションにおける隠れ状態推定のためのグラフニューラルネットワークによるアプローチ
Authors: Pontus Johnson, Mathias Ekstedt,
Abstract要約: 本稿では,サイバー攻撃シミュレーションにおける新しいグラフニューラルGNN (Graph NeuralGNN) ベースのアプローチのプロトタイプを紹介する。本フレームワークは,サイバー攻撃の複雑な複雑さを,シミュレーションの膨大なベクトルでマッピングすることを目的としている。プロトタイプはまだ完成・検証されていないが,その基礎概念,アーキテクチャ,およびコンピュータセキュリティ分野への潜在的影響について論じる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work-in-progress paper introduces a prototype for a novel Graph Neural Network (GNN) based approach to estimate hidden states in cyber attack simulations. Utilizing the Meta Attack Language (MAL) in conjunction with Relational Dynamic Decision Language (RDDL) conformant simulations, our framework aims to map the intricate complexity of cyber attacks with a vast number of possible vectors in the simulations. While the prototype is yet to be completed and validated, we discuss its foundational concepts, the architecture, and the potential implications for the field of computer security.
Abstract（参考訳）: このワーク・イン・プログレス・ペーパーでは、サイバー攻撃シミュレーションにおいて隠れた状態を推定するための新しいグラフニューラルネットワーク(GNN)ベースのアプローチのプロトタイプを紹介する。本フレームワークは,リレーショナル動的決定言語(RDDL)と併用したメタ攻撃言語(MAL)を用いて,サイバー攻撃の複雑な複雑さをシミュレーションに多数のベクトルでマッピングすることを目的としている。プロトタイプはまだ完成・検証されていないが,その基礎概念,アーキテクチャ,およびコンピュータセキュリティ分野への潜在的影響について論じる。

関連論文リスト

CERES: Critical-Event Reconstruction via Temporal Scene Graph Completion [7.542220697870245]
本稿では,実世界のデータに基づくシミュレーションにおけるオンデマンドシナリオ生成手法を提案する。実世界のデータセットから得られたシナリオをシミュレーションに統合することにより、テストの妥当性と妥当性を高める。
論文参考訳（メタデータ） (2024-10-17T13:02:06Z)
Cyber Knowledge Completion Using Large Language Models [1.4883782513177093]
IoT(Internet of Things)をCPS(Cyber-Physical Systems)に統合することで,サイバー攻撃面が拡大した。 CPSのリスクを評価することは、不完全で時代遅れのサイバーセキュリティ知識のため、ますます困難になっている。近年のLarge Language Models (LLMs) の進歩は、サイバー攻撃による知識の完成を促進するユニークな機会となる。
論文参考訳（メタデータ） (2024-09-24T15:20:39Z)
A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文参考訳（メタデータ） (2024-09-23T11:16:46Z)
Graph-based Modeling and Simulation of Emergency Services Communication Systems [0.0]
緊急サービス通信システム(ESCS)は、インターネットプロトコルベースの通信ネットワークへと進化している。本稿では,頑健で適応可能なグラフベースシミュレーションフレームワークと,ESCSシミュレーションに不可欠な数学的モデルを紹介する。
論文参考訳（メタデータ） (2024-09-03T12:53:35Z)
An Approach to Abstract Multi-stage Cyberattack Data Generation for ML-Based IDS in Smart Grids [2.5655761752240505]
スマートグリッドにおける機械学習モデルを学習するためのグラフベースアプローチを用いて合成データを生成する手法を提案する。我々は、グラフ定式化によって定義された多段階サイバー攻撃の抽象形式を使用し、ネットワーク内の攻撃の伝播挙動をシミュレートする。
論文参考訳（メタデータ） (2023-12-21T11:07:51Z)
Building a Graph-based Deep Learning network model from captured traffic traces [4.671648049111933]
技術ネットワークモデルの現状は離散事象シミュレーション(DES)に基づいているか依存している DESは非常に正確であり、計算コストも高く、並列化も困難であり、高性能ネットワークをシミュレートするには実用的ではない。我々は,実際のネットワークシナリオの複雑さをより正確に捉えるために,グラフニューラルネットワーク(GNN)ベースのソリューションを提案する。
論文参考訳（メタデータ） (2023-10-18T11:16:32Z)
Deep Interactive Motion Prediction and Planning: Playing Games with Motion Prediction Models [162.21629604674388]
本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
論文参考訳（メタデータ） (2022-04-05T17:58:18Z)
Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文参考訳（メタデータ） (2021-11-15T18:50:04Z)
Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文参考訳（メタデータ） (2020-12-17T15:19:29Z)
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)
Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。