論文の概要: Identification of Device Dependencies Using Link Prediction

• arxiv url: http://arxiv.org/abs/2407.03019v1
• Date: Wed, 3 Jul 2024 11:28:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 14:35:46.911209
• Title: Identification of Device Dependencies Using Link Prediction
• Title（参考訳）: リンク予測を用いたデバイス依存の同定
• Authors: Lukáš Sadlek, Martin Husák, Pavel Čeleda,
• Abstract要約: グラフベース機械学習に基づく新しいアプローチを用いて,依存関係の識別に対処する。 この手法は、コンピュータネットワークの通信グラフの潜在表現に基づくリンク予測に属する。 ネットワーク依存に課される時間条件を満たすIPアドレスをランダムにウォーキングする。
• 参考スコア（独自算出の注目度）: 0.05461938536945722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Devices in computer networks cannot work without essential network services provided by a limited count of devices. Identification of device dependencies determines whether a pair of IP addresses is a dependency, i.e., the host with the first IP address is dependent on the second one. These dependencies cannot be identified manually in large and dynamically changing networks. Nevertheless, they are important due to possible unexpected failures, performance issues, and cascading effects. We address the identification of dependencies using a new approach based on graph-based machine learning. The approach belongs to link prediction based on a latent representation of the computer network's communication graph. It samples random walks over IP addresses that fulfill time conditions imposed on network dependencies. The constrained random walks are used by a neural network to construct IP address embedding, which is a space that contains IP addresses that often appear close together in the same communication chain (i.e., random walk). Dependency embedding is constructed by combining values for IP addresses from their embedding and used for training the resulting dependency classifier. We evaluated the approach using IP flow datasets from a controlled environment and university campus network that contain evidence about dependencies. Evaluation concerning the correctness and relationship to other approaches shows that the approach achieves acceptable performance. It can simultaneously consider all types of dependencies and is applicable for batch processing in operational conditions.
• Abstract（参考訳）: コンピュータネットワークのデバイスは、限られた数のデバイスによって提供される必須のネットワークサービスなしでは機能しない。 デバイス依存の識別は、一対のIPアドレスが依存関係であるかどうか、すなわち、最初のIPアドレスを持つホストが第2のIPアドレスに依存するかどうかを決定する。 これらの依存関係は、大規模かつ動的に変化するネットワークにおいて手動で識別することはできない。 それでも、予期せぬ失敗、パフォーマンスの問題、カスケード効果のため、これらは重要である。 グラフベース機械学習に基づく新しいアプローチを用いて,依存関係の識別に対処する。 この手法は、コンピュータネットワークの通信グラフの潜在表現に基づくリンク予測に属する。 ネットワーク依存に課される時間条件を満たすIPアドレスをランダムにウォーキングする。 制約されたランダムウォークは、同じ通信チェーン(すなわちランダムウォーク)によく現れるIPアドレスを含む空間であるIPアドレスの埋め込みを構築するためにニューラルネットワークによって使用される。 依存性の埋め込みは、その埋め込みからIPアドレスの値を組み合わせて構築され、その結果の依存性分類器のトレーニングに使用される。 制御された環境と大学キャンパスネットワークからのIPフローデータセットを用いて,依存関係に関する証拠を含むアプローチを評価した。 他のアプローチとの正しさと関係性の評価は、このアプローチが許容できる性能を達成することを示す。 あらゆる種類の依存関係を同時に考慮し、運用環境でバッチ処理に適用できます。

関連論文リスト

• Structural Generalization in Autonomous Cyber Incident Response with Message-Passing Neural Networks and Reinforcement Learning [0.0]
  小さなネットワーク変更のためのリトレーニングエージェントは、時間とエネルギーを消費する。 ホストの数が異なる元のネットワークの変種を作成し、エージェントを追加のトレーニングなしでテストします。 デフォルトのベクトル状態表現を使用するエージェントのパフォーマンスは向上するが、各ネットワークで特別にトレーニングする必要がある。
  論文  参考訳（メタデータ） (2024-07-08T09:34:22Z)
• Cyber Key Terrain Identification Using Adjusted PageRank Centrality [0.0]
  機械学習によって調整されたPageRank集中度を用いて,ネットワーク位置に応じて,サイバー鍵地形に属するIPアドレスを分類する手法を提案する。 我々は,サイバー防御演習とキャンパスネットワークのデータから,データセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-06-19T15:30:09Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Privatized Graph Federated Learning [57.14673504239551]
  グラフによって連結された複数の単位からなるグラフフェデレーション学習を導入する。 グラフ準同型摂動はアルゴリズムが微分プライベートであることを保証するためにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2022-03-14T13:48:23Z)
• Reconsidering Dependency Networks from an Information Geometry Perspective [2.6778110563115542]
  依存ネットワークは、多数の変数を含むシステムの潜在的な確率的グラフィカルモデルである。 依存ネットワークの構造は有向グラフで表され、各ノードは条件付き確率テーブルを持つ。 従属ネットワークとベイズネットワークは,学習した分布の精度においてほぼ同じ性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-07-02T07:05:11Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• Mutually exciting point process graphs for modelling dynamic networks [0.0]
  相互励起点過程グラフ(MEG)と呼ばれる動的ネットワークのための新しいモデルのクラスが提案される。 MEGは、Dyadicマーク付きポイントプロセスのためのスケーラブルなネットワークワイド統計モデルであり、異常検出に使用できる。 このモデルはシミュレーショングラフと実世界のコンピュータネットワークデータセット上でテストされ、優れた性能を示す。
  論文  参考訳（メタデータ） (2021-02-11T10:14:55Z)
• Unsupervised Learning for Asynchronous Resource Allocation in Ad-hoc Wireless Networks [122.42812336946756]
  集約グラフニューラルネットワーク(Agg-GNN)に基づく教師なし学習手法を設計する。 アクティベーションパターンを各ノードの特徴としてモデル化し,ポリシーに基づくリソース割り当て手法を訓練することにより,非同期性を捉える。
  論文  参考訳（メタデータ） (2020-11-05T03:38:36Z)
• A Graph Neural Network Approach for Scalable and Dynamic IP Similarity in Enterprise Networks [1.6516902135723865]
  IPアドレス間の類似性を測定することは、企業ネットワークの日々の運用において重要な課題である。 本稿では,適応型グラフニューラルネットワーク(GNN)アーキテクチャを用いた新しいIP埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T19:43:30Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)

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。